影像訓練成果→亮度
這個訓練方法沒有使用SVM,單純只用暴力法,也就是對整個Lab色彩空間做「填補」,以「亮度」這個增強面向來看,效果還不錯,我就先來展示訓練成果吧~
首先介紹我訓練用(training)的原始影像,總共有45張,地點就在我居住地方的附近。
研究過LibSVM]SVM 實驗最佳化參數,原本以為只要將Data Set平分為兩半,一半是Train Set,一半是Test Set即可,因為我讀了這篇論文Example-Based Image Color and Tone Style Enhancement也這麼做,要是它使用交叉驗證 (Cross Validation)的話,準確率想必可以再提昇,這個議題還能拿來再研究呢!
像我這樣很喜歡擷取桌面影像的人,使用智慧手機或平板電腦也會習慣性想要截圖,這時候我們該怎麼辦?下圖是我從New iPad截下來的影像,螢幕解析度為1536×2048,因此想看原始圖的人可以點圖放大。
Binary Space Partioning Tree英文簡稱為BSP Tree,二元空間分割樹,簡稱為二叉樹。它於1969年被Schumacker在文章《Study for Applying Computer-Generated Images to Visual Simulation》首次提出,並被ID公司第一次使用到FPS遊戲Doom中,Doom的推出獲得了空前的成功,不僅奠定了ID公司在FPS遊戲開發的宗師地位,也使BSP技術成為室內渲染的工業標準,從BSP產生到現在已經有30多年了,其間雖然產生了大量的室內渲染的算法,但卻無人能撼動它的地位,對於以摩爾定律發展的計算機業來說這不能不是一個奇蹟。
SIFT的概念可以參考我前一篇文章SIFT (Scale-Invariant Feature Transform)。
若只有文字敘述可能會很抽象和模糊,所以再一次使用SIFT來做實驗,真正體會SIFT所帶來的效果!
HappyMan・迴響