بیایید نگاهی دقیق به پیاده سازی پشت تاری گاوسی بیندازیم.
این الگوریتم پردازش تصویر است که دستکاری تصاویر مانند این را امکان پذیر می کند:
ما با بررسی توزیع های گاوسی و ترکیب تصویر شروع خواهیم کرد – نیروهای محرک تارهای گاوسی. سپس ، ما الگوریتم تاری Gaussian blur خود را از ابتدا با Swift پیاده سازی می کنیم.
اگر قبلاً مقاله من درباره تشخیص لبه در تصاویر را نخوانده اید ، توصیه می کنم ابتدا آن را بخوانید. این به شما کمک می کند تا بنیادی حول محور تجمع و اصول پردازش تصویر ایجاد کنید.
همگرایی
به زبان ساده ، کانولوشن به سادگی فرآیند گرفتن یک ماتریس کوچک به نام هسته و اجرای آن روی تمام پیکسل های یک تصویر است. در هر پیکسل ، ما برخی از عملیات های ریاضی را شامل مقادیر ماتریس کانولوشن و مقادیر پیکسل و محیط اطراف آن خواهیم کرد تا مقدار یک پیکسل در تصویر خروجی را تعیین کنیم.
با تغییر مقادیر در هسته ، می توانیم تأثیر را بر روی تصویر تغییر دهیم – تاری ، شفاف سازی ، تشخیص لبه ، کاهش نویز و غیره
وقتی نمونه ای را ببینیم ، پیوند واضح تر خواهد شد.
توزیع های گاوسی
در مرحله بعد ، بیایید به قسمت Gaussian of the Gaussian blur بپردازیم. تاری Gaussian به سادگی روشی است برای تار شدن تصویر از طریق استفاده از یک تابع Gaussian.
شما ممکن است …