PhotoShop Notes

从总体上说,PS 的功能主要分为两大类:一个是区域选择,一个是色彩调整。这两大类内容的实际操作手法非常丰富,比如选择里有选框工具、套索工具、魔棒工具、蒙版,而选框里又有矩形选框、椭圆选框、单行选框、单列选框等。使得我们的操作可以非常的灵活多变,为了达到一种效果可以使用多种手段。两大内容也有自己的难点,比如选择中的难点算是蒙版了,蒙版也有很多种类:快速蒙版、图层蒙蔽、矢量蒙版、剪切蒙版,还有alpha通道也可以说是蒙版。色彩调整里的难点算是色阶和曲线了,当然还有高级点的如应用图像和计算等。通道也算个难点,它在区域选择和色彩调整中都有用到,区域选择里的alpha通道,色彩调整里用的单色通道等。本文对个人常用的一些功能以及PS中的一些难点进行了简单总结,当然难点只是针对于初学者来说的。

概念


  • 色相/饱和度/明度

    • 色相表示不同的颜色

    • 饱和度表示色彩的浓淡

    • 明度表示反光率

这里写图片描述

  • 色差

    对应颜色模式的单色通道的最大正差值减去最小负差值。如果没有正差值则最大正差取0,如果没有负差值则最小负差值取0

    e.g.
    RGB 颜色模式下,颜色1[R: 100, G: 30, B: 60] 与颜色2[R: 120, G: 10, B: 90] 的色差计算过程为:
    R 差值:-20
    G 差值: 20
    B 差值: -30
    所以颜色 1 与颜色 2 的色差为 20 - (-30)=50

  • 容差

    这个概念与色差相关,选取的时候只要是色差范围小于等于容差的颜色都会被选取,反之不选。

  • 色彩直方图

    在曲线和色阶控制面板上我们都可以看到色彩直方图,它表示对应通道颜色的各颜色值下的像素个数,如果是混合通道则颜色值为各单色通道的颜色值之和

这里写图片描述

这里写图片描述

  • 图像分辨率
    图像分辨率一般用每英寸的像素数量来度量,分辨率越大,存储的图像信息也就越丰富,图像文件也就越大。

区域选择


  • 通道

    通道是 ps 非常关键的概念,我们对图像进行编辑,实际上编辑的就是当前图层的当前通道。我们初学时一般使用(当使用RGB模式时)默认的混合通道(红、绿、蓝三个单色通道一起编辑了),所以初学者对通道这个概念不太敏感。我们需要知道实际编辑的是通道,不仅仅可以编辑RGB,也可以编辑各个单色通道,也包括与选取相关的alpha通道。

    • 单色通道

    一个单色通道可以单独编辑,也可以和其它单色通道一起编辑,但不可以与alpha通道一起编辑

    • alpha通道

    一个alpha通道可以单独编辑,也可以和其他alpha通道或者专色通道一起编辑,但不能与单色通道一起编辑

    • 专色通道

    可以专门为某一个颜色建立一个通道,专色通道可以说是一种特殊的 alpha 通道

    Note: 与编辑一个图层时必须让图层可见类似,编辑指定通道时也必须让通道可见

  • 蒙版

    • 快速蒙版

    快速蒙版是为了快速进行蒙版选取而设计的,其过程相当于建立一个alpha通道,编辑该通道,根据通道建立选取,然后删除该通道。所以,我们在使用快速蒙版时可以看到通道面板中出现一个对应的alpha通道,使用完成后该通道自动消失了

    • 图层蒙版

    图层蒙版是直接与图层关联的,底层机制与快速蒙版相同

    • 矢量蒙版

    矢量蒙版,顾名思义,是矢量图形确定的蒙版区域,可以使用钢笔工具确定蒙版区域。

    • 剪切蒙版

    剪切蒙版用来显示将当前层图像直接覆盖到下层非透明区域产生的效果

    Note: 当一个alpha通道和一个其他通道都可见时,alpha通道在图像上会显示浅红色。两个alpha通道叠加将加深红色。一个图层上可以最多使用一个图层蒙版和一个矢量蒙版。图层蒙版和矢量蒙版是与图层相关的,只有选中所在图层,才能在通道面板上看到图层蒙版通道,在路径面板上看到矢量蒙版路径。自建的其他alpha通道或者专色通道都是与图层独立的,任何时候都能在通道面板看到。

常用快捷键


工具


Note: shift + * 可以切换同类工具中的不同子工具

  • b 画笔
  • p 钢笔
  • v 移动
  • a 路径选择
  • s 图章工具
  • y 历史画笔
  • e 橡皮擦
  • t 文字工具
  • m 形状选择
  • l 套索工具
  • i 吸管
  • g 渐变
  • o 加深/减淡/海绵
  • u 形状工具
  • h 抓手工具(也可以按住空格键)

区域选取


  • q 快速蒙版
  • Ctrl + d 取消选择
  • Ctrl + Shift + d 重新选择
  • Ctrl + a 全选
  • Ctrl + Shift + i 反选
  • Ctrl + Alt + r 调整边缘
  • Shift + F6 羽化

色彩


  • Ctrl + u 色相与饱和度
  • Ctrl + m 曲线
  • Ctrl + l 色阶
  • Ctrl + i 反色
  • d 将前景色背景色设置成黑白色
  • x 交互前景色与背景色
  • Ctrl + Del 选取填充为背景色
  • Alt + Del 选区填充为前景色
  • Del 删除选区图像

图像


  • Ctrl + alt + i 图像大小
  • Ctrl + alt + c 画布大小
  • Ctrl + c 拷贝选区图像
  • Ctrl + v 将拷贝的图像复制到新图层
  • Ctrl + t 自由变换
  • Ctrl + j 通过拷贝建立图层,没有选取时拷贝整个图层
  • F5 画笔属性面板
  • F6 颜色面板
  • F7 图层面板
  • f 切换屏幕模式
  • tab 显示/隐藏面板
  • Ctrl + e 向下合可见并图层
  • Ctrl + Shift + e 合并所有可见图层
  • Ctrl + 0 按屏幕大小缩放
  • Ctrl + 1 实际像素
  • Ctrl + + 放大
  • Ctrl + - 缩小
  • Ctrl + R 标尺
  • Ctrl + g 图层编组(先选中图层或者图层组)
  • Ctrl + Shift + g 取消分组(先选中组)
  • Ctrl + Shift + x 液化
  • Ctrl + n 新建文件
  • Ctrl + o 打开文件
  • Ctrl + Alt + a 选择所有图层
  • Ctrl + shift + n 新建图层
  • Ctrl + Shift + Alt + n 无提示,按默认配置新建图层
  • Ctrl + Shift + Alt + f 查找图层
  • Ctrl + z 撤销一步
  • Ctrl + Alt + z 撤销多步,按一次撤销一次操作
  • Shift + F5 填充
  • Ctrl + w 关闭当前文件
  • Ctrl + Alt + w 关闭所有文件
  • Ctrl + s 保存文件
  • Ctrl + Shift + s 文件另存为
  • F12 恢复初始文件
  • Ctrl + Shift + Alt + i 文件简介
  • Ctrl + Shift + Alt + k 设置快捷键
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