多x多y的origin图_【ps】多图片排列成图效果

最近碰见一些同学在咨询小乔,照片墙叠加的合成效果是怎么做的

这里就给大家具体讲解一下操作过程,其实特别的简单,几乎没有涉及什么困难的知识点

唯一要注意的就是处理图像时参数的调整,排布

好啦我们还是先看看效果图

f0903f1ec09a35b47195e662e40a6fbc.png
效果图

操作的时候我们还是老规矩,总结一下:

1、运用ps当中的动作命令改变图像大小

2、运用联系表功能排布

3、把处理好的图像设定为图案

4、添加图案

步骤虽然很少,但是小乔还是会仔细把每一个步骤都给大家讲到,相信同学们一定可以学会哟~

步骤一:我们在菜单栏中找到:窗口→动作

f09804fe9293884e27e61c8ad62a301d.png

步骤二:新建立一个步骤指令,ps:建立之后就已经开始录制了

2550dc8b270fec1df4fb4f962a1398b0.png

步骤三:我们在菜单栏中:图像→图像大小,设置我们的图像大小(这里的参数仅供参考,因为小乔用了49张图片,打算排布成一个7*7的正方形图像)

79dd11c86f71b116ae49c749e4400960.png

步骤四:停止动作,此时我们的动作录制就完成咯~

9639764aad2f9064090656fa915143ac.png

步骤五:我们开始批量处理图像,在菜单栏中:文件→脚本→图像处理 ,弹出对话框之后我们设置,具体操作如下图所示

2c7b4d47d84276fb996b9eaad2856327.png

步骤六:我们处理好的图像会在JPEG的文件夹中,我们回到ps,在菜单栏中:文件→自动→联系表Ⅱ,弹出对话框之后设置参数,具体操作如下图所示(这里我们要稍微计划一下制作一个多大的图像,没设置好容易出现留白过多~)

003906dd8d1d4e0b130d4680c59d7bba.png

d7bf254b8997744c8848a0067b947209.png

步骤七:排列好之后,我们在菜单栏中:编辑→定义图案,换个名称易于辨认,到这里我们的进度就完成一大半了~

f18bdf9592c396fc8213d0ddb59921d7.png

d891586abfac5c04984024685aa957ee.png

步骤八:导致我们的素材,接着我们新建一个图层填充为白色,点击右下角的添加图层样式→图案添加,添加我们之前做好的图案

a9c9a1fe2ecee9824d95dd52daae3d92.png

1e169ea3261da6e710a98d44ea337993.png

步骤九:鼠标右键→栅格化图层,然后去色(快捷键 Ctrl+Alt+u

97b6908d8a982d14c141347b3aa5323e.png

d03a9445c51965893271807d2968bd7e.png

步骤十:我们跟换一下混合模式,这里小乔是用的叠加

6c75fdf3378a60eaf94d6097a3680198.png

e402830df0724332c3aef2279da97f19.png

完成~

好啦,今天的多图片排列的合成效果就结束了

不知道给为同学看明白没有? 赶快去亲自试一试吧~

当然有问题或者有更好的方法欢迎在评论区留言~


看完觉得不错的朋友:

1、关注我不迷路,收藏点赞一条龙~

2、我们还建立一个交流群,欢迎大家加入共同学习进步

群内还有软件安装包、素材、学习笔记各种福利,难道你不来看看嘛

42aa6bb5ab00147c2e7e9d71b2af6cd5.png
  • 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