php相机图片的长宽比例,单反相机的 长宽比 创意滤镜 如何使用 什么意思 怎么理解这些内容...

根据拍摄意图改变长宽比

就像使用不同的镜头改变视角可获得不同感觉的照片一样,变更长宽比也能大幅改变照片效果。通过改变长宽比使照片效果大为改观也颇有意思。另外,图像记录画质选择RAW+JPEG的话,可以同时保存一张变更了长宽比的JPEG图像和一张长宽比3:2的RAW图像。使用EOS数码相机附带的图像处理软件Digital Photo Professional(DPP),也可以在拍摄后根据喜好变更长宽比。intermediate12_01.jpg

按机身背面的MENU(菜单)按钮,从实时显示拍摄菜单的“长宽比”中进行变更。实时显示拍摄时会在液晶监视器上显示所选长宽比的画面。

长宽比的种类

3:2intermediate12_02.jpg

与CMOS图像感应器的长宽比例相同

EOS数码相机的标准长宽比。适用于多种多样的场景,横竖构图都很方便。而且此长宽比例与CMOS图像感应器相同,因此能够充分利用CMOS图像感应器的有效范围成像,这也是其一大优势。

4:3intermediate12_03.jpg

参考打印尺寸更易构图

与3:2相比,长边较短。这种长宽比拍出的图像更紧凑,可表现冷静的氛围。使人感觉画面中短边方向的延伸感。由于其比例与A4或B5尺寸的印刷纸张差不多,构图时考虑一下打印尺寸会更容易。

16:9intermediate12_04.jpg

以电影画面般的视角展现戏剧性

在4种长宽比中长边最长。可以呈现电影场景般的效果。多用于横向构图,但大胆进行纵向构图可以表现出被摄体的高度等。

1:1intermediate12_05.jpg

强调主被摄体的存在感

1:1是中画幅胶片相机多用的长宽比,一般为6×6厘米。利用此长宽比更容易将构图归整得简单,突出主被摄体的存在感。另外,也容易表现怀旧氛围,与后文介绍的创意滤镜搭配使用也很好。

7种效果可选的创意滤镜

创意滤镜有7种效果可选,各具特点。利用创意滤镜可以获得与普通拍摄截然不同的表现。拍摄后添加创意滤镜效果时,从回放1菜单中选择“创意滤镜”,按照引导步骤设置即可。部分机型在实时显示拍摄期间即时添加创意滤镜的情况下,不会保存未应用滤镜效果的原始图像。但拍摄后添加创意滤镜的图像会另存为新文件。推荐尝试不同的创意滤镜效果,展现被摄体的别样魅力。intermediate13_01.jpg

实时显示拍摄时按机身背面的Q(速控)按钮,显示速控画面。选择“创意滤镜”图标,选择创意滤镜种类后,液晶监视器画面中会即时显示该滤镜的效果。

创意滤镜的种类intermediate13_02.jpg

颗粒黑白

可获得具有颗粒感的黑白照片。比一般黑白照片的粗糙质感更强,并加强对比度。intermediate13_03.jpg

柔焦

如同使用了光学玻璃的柔焦滤镜一般,整体画面柔和,营造出好像笼罩了一层薄纱的效果。intermediate13_04.jpg

鱼眼效果

可获得画面中央部分向前突出的效果。利用此创意滤镜可得到与原始图像截然不同的表现。intermediate13_05.jpg

油画效果

可以用油画般厚重的笔触表现被摄体。整体饱和度提高的同时,轮廓线变粗,如同用画笔描绘的一样。intermediate13_06.jpg

水彩画效果

轮廓线清晰,水彩画般的清淡色调。特点是介于照片和插画之间的感觉,适合用于抓拍和静物摄影。intermediate13_07.jpg

玩具相机效果

色彩饱和度低,周边光量不足,好像褪色的彩色老照片一样,可营造怀旧的氛围。intermediate13_08.jpg

微缩景观效果

通过变更合焦位置实现微缩模型照片般的氛围。可以虚化合焦位置外围的部分,获得个性的表现。

小提示

创意滤镜可以重复叠加

对应用过创意滤镜的图像可继续重复应用滤镜效果。从回放1菜单中选择“创意滤镜”后即可选择照片,这时已应用过创意滤镜的图像也是可以选择的。叠加滤镜效果的图像将保存为新图像,可以放心地多次尝试也没问题。intermediate13_09.jpg

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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