手机摄影

1、HDR高动态曝光

开启了 HDR 后,相机会将正常曝光、曝光不足和过度曝光的三个画面拍摄下来,然后把这三张图片合成为一张。并且突出每张照片最好的部分,从而生成一张精妙绝伦的照片。

遇到明暗程度差别较大时,不妨试试开启HDR来进行拍照。值得注意的是,拍照时手一定要稳哦。

2、自动对焦锁定

前景锁定,之后后景就可以排除虚化效果

3、避免复杂多余

4、好看的照片形式美学规律

某些方面趋于统一

有较为明晰明快的结构特征

具有有意义的对比和冲突

1)单一纯粹的背景作用:突出主体

2)整齐震撼

3)对称均衡

4)对比和调和

 

5)尺度和比例

6)节奏和韵律

5、拍照案例

6、Snapseed

工具-调整图片--

1)、影调相关:亮度、对比度、高光(只作用于亮光部分,其他部分受保护)、阴影(和高光相反,只作用于最暗部分)、氛围(层次感变强)

2)色彩相关:饱和度(不要超过30%)、色调(正向偏黄、暖,负向偏蓝)

3)剪裁、旋转、透视

使用蒙版

饱和度先调为-100变为黑白照片,点击蒙版-查看修改内容-调整图片-中间的画笔-瓶子之外全都涂抹

7、VSCO

滤镜强大,哈哈哈。

对比明亮些

黑白

 

黄色精神  C1

   

雪天,精神

C7 夜间

8、日系、黑金、干净通透

日系:颜色曲线(中间添加点向上拉,蓝色上拉,红色抑制下拉),饱和度降低10%。特点:高亮度、低饱和度、低对比度

黑金城市夜景灯火璀璨:VSCO中HSL,去掉除金色外其他颜色

干净通透:先裁图突出主题、VSCO A4怀旧、调大曝光、白平衡色温下拉。

    

9、人像摄影

光线:阴天的光线、窗口拍摄、经过环境二次反射和散射

1、站姿

2、坐姿

光景选择:窗口场景光、背后有模糊阴影

 

 

3、逆光拍摄

10、人像后期

思路:日系清新。先用Retouch修复背景以及头发,再用snapseed调整局部,再用VSCO A4滤镜(拉高曝光、拉低对比度、高光拉低、白平衡色温拉低偏蓝、降低饱和度。

近景拍立得效果:调高曝光、降低饱和度、白平衡色温降低、

11、城市建筑

 

12、风景

VSCO 室内用A6号滤镜,拉高曝光,色调高光抑制,白平衡色温向蓝色

A8滤镜,拉低曝光,增加对比度,色温偏蓝

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值