home.social

#обработка_изображений — Public Fediverse posts

Live and recent posts from across the Fediverse tagged #обработка_изображений, aggregated by home.social.

fetched live
  1. Как я 2,5 года никому не нужный софт вайбкодил

    По моим прошлым статьям « Искусство цифрового мазохизма: как я потратил сотни часов на обложки для сериалов, которые даже не смотрю » и « Как я сделал ремастер «Том и Джерри» в 4K за два года » многим стало очевидно, что я умею находить себе самые нерациональные и специфичные занятия на пару месяцев, а то и лет. И в этот раз я захотел сделать программу, чтобы ускорить процесс и просто сравнивать изображения апскейлинга бок о бок, но всё быстро вышло из-под контроля, превратившись в новое бессмысленное хобби с ворочанием армии ИИ-агентов.

    habr.com/ru/companies/ruvds/ar

    #искусственный_интеллект #python #рефакторинг #qt #обработка_изображений #нейросети #cursor #ruvds_статьи #claude #вайбкодинг

  2. Обучать нельзя фильтровать: убираем тени с дороги без нейросетей

    Тень на асфальте скрывает трещины, а её граница сама может выглядеть как дефект. Просто поднять яркость? Вместе с ней вылезет шум. Добавить контраст? Граница тени станет ещё заметнее. Рассказываю, как подошёл к этой задаче с фильтрами, локальной статистикой и морфологией. Проведём один реальный снимок через шесть преобразований и посмотрим, что каждое из них делает с тенью, фактурой и дорожной разметкой. Внутри формулы, промежуточные изображения и интерактивное сравнение.

    habr.com/ru/articles/1097026/

    #оптимизация #python #обработка_изображений #opencv #компьютерное_зрение #удаление_теней #дорожная_инфраструктура

  3. 12 спрайтов и 61 цвет: как нейросеть собрала пиксель-арт-маскота для сайта из черновиков Qwen Image 2.1

    Нейросеть нарисовала ведьму, которая выглядит как пиксель-арт. Спрайтом она не является: в файле 1344×1344 и 40 318 уникальных цветов (это кадр read ), а сетки, по которой эти «пиксели» выстроены, не существует. Это принципиальная разница, и она не косметическая: картинку «под пиксели» нельзя перекрасить в ночную палитру одной операцией, нельзя анимировать по кадрам и нельзя гарантировать, что при смене эмоции персонаж не дёрнется. Ниже — пайплайн, который превращает такие черновики в спрайты, где один пиксель — это ровно один цвет из палитры , и где это свойство проверяется числом, а не глазами. Заодно покажу, где пайплайн ломается: на каждый из пяти приёмов нашлись свои грабли.

    habr.com/ru/articles/1095304/

    #пиксельарт #обработка_изображений #нейросети #спрайты #маскот #генерация_изображений #comfyui #ииагенты #локальный_ии #qwen_image

  4. Как обойти проверку SynthID

    Что я пробовал вначале. JPEG не помог. Шум тоже. Кадр один: девочка у пруда, утки в траве, осенние деревья, 1536 × 1024. Я мял его обработкой и снова получал одно и то же. SynthID обнаружен. Картинка уже выглядела хуже. Проверка по-прежнему находила знак. Сработал другой ход. Сгенерировать вторую версию сцены через ControlNet Canny, взять из неё полосу текстуры и подмешать в исходник. Ручная проверка этого файла вернула not detected . Трава изменилась. Утки остались утками.

    habr.com/ru/articles/1093368/

    #python #обработка_изображений #numpy #водяные_знаки #canny #watermarking #stable_diffusion #controlnet #synthid #openai_verify

  5. ИИ-фотосессия по фото: топ сервисов в 2026 году и готовые промпты

    ИИ-фотосессия по своим фото обычно работает по двум сценариям. В первом вы загружаете несколько снимков, выбираете стиль, и сервис сам генерирует целую серию кадров. Во втором исходное фото используется как референс, а каждый новый снимок создаётся отдельно по текстовому промпту. Главная сложность в обоих случаях — сохранить внешность человека. Нейросеть может сделать красивый кадр, но изменить черты лица, возраст, форму глаз или причёску настолько, что на изображении окажется уже совершенно другой человек. Ниже проверим оба подхода на реальных примерах: сервисы с автоматической генерацией фотосессии и нейросети, где сцену приходится собирать промптом вручную. Сравним, насколько хорошо они сохраняют внешность, сколько действий требуют от пользователя и для каких задач каждый вариант подходит лучше.

    habr.com/ru/companies/bothub/a

    #фотосессии_нейросеть #фотосессия_ии #фотосессия_онлайн_без_фотографа #фотосессия #обработка_изображений #gpt_image_2 #nano_banana_2 #grok_imagine_image_20 #qwen_image #нейросети_для_фото

  6. Pillow для обработки изображений: все фильтры от А до Я

    Это вторая часть разбора библиотеки Python Pillow. В прошлой статье был сделан упор на общее направление и примеры, теперь же давайте разберём конкретный инструментарий: отвечу на вопросы, что вообще можно использовать и каким образом. Можно назвать это так: прошлая статья – введение в ремонт, эта – хранилище инструментов. Стоит учесть, что всю более подробную информацию можно найти в сети, а с целями (зачем, для чего) придётся определяться самим. Впрочем, это и так очевидно. Вся суть, благодаря которой нога моя ступила на территорию Pillow, можно описать следующим образом: желание автоматизации однотипной обработки нескольких файлов подряд. Через Photoshop можно обработать одно фото, но если у вас есть определённый шаблон, придётся долго возиться с каждым отдельным изображением. Нужен был инструмент, который был бы достаточно гибким, чтобы при желании и менять параметры, и создавать из последовательностей – функции. Таким инструментом оказалась библиотека Python, форк PIL, – Python Pillow. Как и в программах для редактирования визуальных объектов данная библиотека работает по принципу фильтров: есть определённые фильтры, которые делают что-то с изображением, и можно задать определённое значение таким образом, чтобы указать программе, насколько сильно стоит это применить. И да, абсолютно весь тот шикарный визуал, который вы когда-либо видели в сети, был обработан, описан и создан именно по такой цепочке: ввод, наложение некоторых фильтров в каком-то соотношении, вывод. Разобьём инструментарий на типы: равно как и отвёртки лежат отдельно от болтов... В Pillow есть три типа фильтров: готовые пресеты (те, что не требуют указания дополнительных значений), регулируемые фильтры (те, что требуют указания), и «ImageEnhance» (для регуляции контраста, яркости, резкости). Первые два типа объединены в единое семейство: «ImageFilter». Рассмотрим сначала их.

    habr.com/ru/articles/1087768/

    #Python #Pillow #PIL #обработка_изображений #фильтры #ImageFilter #ImageEnhance #графика #библиотеки_python

  7. Pillow вместо Photoshop: как за 20 строк кода делать мультяшные и Minecraft-текстуры

    Изучая Adobe Photoshop (в частности любимый мною CS6 – так как запросто устанавливается на любой чайник), программы по монтажу (VSDC Video Editor, Wondershare Filmora, Movavi и Capcut), и другого типа редакторы мне не могла не прийти мысль об автоматизации. Как минимум потому, что я ленивый, а в общем и целом – для автоматического создания материалов и текстур. Создавая игры любой разработчик уткнётся носом в одну простую вещь: у него есть готовый и расписанный лор, персонажи и их дизайны, может даже саундтрек и примеры кода, но нет второстепенных текстур. Под второстепенными текстурами я имею в виду то, что не влияет на лор, но влияет на игровой опыт (к примеру, блок земли в Minecraft не поможет нам убить дракона, но данная текстура жизненно необходима игре). Следовательно, нужно было научиться автоматизировать процессы обработки графических материалов. Последовательная обработка подразумевает код, а автоматизация – наличие функций. Желательно было всё это оформить на Python. Идея понятна: хочу обрабатывать визуал таким образом, чтобы целый ряд фильтров и сопутствующих преобразований накладывались по одному клику, без упорного затирания UI Photoshop до дыр. И что делать? Здесь на помощь приходит один известный форк PIL (Python Imaging Library) под названием Python Pillow. Как оказалось, сообщество Python уже давно задумалось над тем, как можно через код работать с графикой. PIL – древняя библиотека для работы с растровой графикой, поддержка которой давно прекращена. Потому на её основе возник форк под названием Pillow, о котором сейчас и поговорим. Стоит отметить, что на мой субъективный взгляд Pillow лучше всего работает именно с форматом PNG, потому рассматривать работу библиотеки с файлами иных расширений мы не станем, по крайней мере в этой статье. Также отмечу, что это не совсем образовательная статья, а скорее Roadmap, потому что доступ к каким угодно учебным материалам сегодня есть из любой точки земного шара, и гораздо важнее поговорить именно про последовательность действий при освоении данной технологии – какой она должна быть, чтобы иметь достаточное понимание для выполнения определённого рода задач.

    habr.com/ru/articles/1086702/

    #Pillow #PIL #Python #обработка_изображений #картунизация #пикселизация #игровые_текстуры #pixel_art #геймдев #автоматизация

  8. FASt: как я написал приложение для создания ассет паков для Flipper Zero и чуть не сошёл с ума из‑за китайских флешек

    Как моя жена стала моим первым заказчиком Началось все с того, что моя любимая красавица жена сказала мне, что я провожу слишком много времени со своим девайсом Flipper Zero. Постоянно кручу его в руках, прошиваю, делаю всякие настройки и т.п. А на неё стал меньше смотреть. И мне пришла мысль, а что, если поставить на экран флиппера её фотографию? Девайс всегда со мной и каждый раз как я буду им пользоваться то на главном экране я буду видеть фото своей любимки. И ей приятно, и я буквально смотрю на нее всякий удобный раз.

    habr.com/ru/articles/1086206/

    #Python #Flipper_Zero #Open_Source #Обработка_изображений #PyQt #Desktopразработка #DIY #Momentum_Firmware #github #github_проекты

  9. Как сделать коллаж из фото с помощью нейросети бесплатно: пошаговая инструкция

    Несколько удачных фотографий сами по себе ещё не становятся коллажем. Их нужно расположить на одном холсте, подобрать фон, выровнять размеры, добавить рамки и решить, какой снимок будет главным. В обычном редакторе всё это приходится делать вручную, а нейросеть может предложить готовую композицию по текстовому описанию. В этой инструкции соберём классический фотоколлаж из четырёх женских портретов — каждый исходник останется самостоятельной карточкой, а нейросеть добавит компоновку, рамки, эффект бумажных слоёв и декоративные детали.

    habr.com/ru/companies/bothub/a

    #нейросети #коллаж #коллажи #ии_для_фото #обработка_изображений #nano_banana_pro

  10. Сторис рендерились 1080×1920, а публиковались 1080×1350. Я два раза чинил не ту причину

    У нас есть конвейер, который раз в день собирает кадр для Stories в Instagram (фото + выжженная поверх подпись) и публикует его через Graph API на два бренд-аккаунта. 2 сентября в моей ленте всплыла своя же сторис, и подпись «посчитал сколько стоит перевезти сестру в москву» была обрезана с обеих сторон — первые и последние буквы срезаны краем экрана. Я это почти сразу починил. 5 сентября мне снова написали, что сторис «кривые». Я почти сразу починил снова. Обе правки были правильными и обе не имели отношения к тому, что жаловались на самом деле.

    habr.com/ru/articles/1079542/

    #instagram #pillow #graph_api #обработка_изображений #отладка

  11. Омнимодель для Алисы AI: как нам удалось подружить VLM и LLM

    Ещё недавно Алиса отвечала на текст и на картинку будто двумя разными голосами. Под капотом и правда жили две генеративные модели: текстовая LLM и визуальная VLM, а между ними — стена из непрозрачного роутинга, разных форматов ответов и разной вёрстки. Почти год мы сводили их в одну омнимодель — такую, которая воспринимает текст и изображения как единое целое, без переключений за кадром. Получилось не всё и не сразу, но путь вышел поучительным, и в этой статье я хочу поделиться тем, что мы поняли про обучение таких моделей. Попутно — несколько неочевидных поворотов: почему за два года до этого та же затея разваливалась, что изменила MoE‑архитектура, почему омнипретрейн пришлось собирать с конца и почему один вид RL переезжает на большую модель легко, а другой рассыпается прямо на глазах. Меня зовут Алексей Григорьев, я представляю большую команду разработки омнимодели Яндекса. Вместе с моим коллегой Данилой Кашиным я расскажу про все технические грабли не со стороны наблюдателя, а как их непосредственный собиратель. Но рассказывать я буду с акцентом не на красивом замысле, а на самой болезненной части — алайнменте.

    habr.com/ru/companies/yandex/a

    #Машинное_обучение #искусственный_интеллект #обработка_изображений #ии #ai #ml #омнимодель

  12. Борьба за каждую десятую секунды: как мы ускоряли цветокоррекцию на планшете

    Сделать фотографию ярче несложно. Сделать это естественно и быстро прямо на планшете — уже интереснее. Именно такую задачу мы решали для камеры KVADRA_T. Нужно было усилить цвета и контраст, не получить перенасыщенную картинку или артефакты и при этом обработать полноразмерный снимок достаточно быстро, чтобы пользователь практически не замечал задержки. Привет, Хабр! Меня зовут Денис Смирнов, я старший инженер по разработке ПО искусственного интеллекта KVADRA AI в YADRO. В этой статье расскажу, как мы искали нейросеть для автоматической цветокоррекции на планшете KVADRA_T, почему выбрали MSLTNet и как довели ее до работы на реальном устройстве.

    habr.com/ru/companies/yadro/ar

    #планшет #планшеты #обработка_изображений #цветокоррекция

  13. Unlimited-OCR от Baidu: читает страницу как картинку

    Как вы себе представляете работу OCR? Страничка сканируется, программа находит области с буквами, распознает их и выдает текст. Старый добрый Tesseract так и пашет. А вот новый baidu/Unlimited-OCR делает финт ушами: он вообще не ищет буквы. Он берет всю страницу как картинку , жмет ее в горстку визуальных токенов и скармливает языковой модели, которая разворачивает их обратно в структурированный текст. Звучит как извращение, но… работает. Это прямой наследник идеи DeepSeek-OCR . Сегодня коротко разложу: что это, как устроено, что умеет и как запустить у себя. Будет полезно всем, кто хочет распознавать многостраничные документы за одну проходку или вписать такую функцию в свой проект.

    habr.com/ru/companies/cloud_ru

    #OCR #распознавание #LLM #обработка_изображений #скользящее_окно #deepseek_ocr #imagetotext #transformers #vision_language_models

  14. Как нейросети редактируют фотографии: большой разбор inpainting, image-to-image и диффузии. Часть 2

    Что ж, продолжим погружаться в теорию нейросетевой обработки фотографий. В первой части мы разобрали общий принцип работы диффузионных нейросетей и начали объяснять, почему для обработки фото этот принцип часто больше вредит, чем помогает. В этой статье мы продолжим разбор.

    habr.com/ru/companies/bothub/a

    #stablediffusion #diffusion #photoshop #controlnet #ретушь #фотография #обработка_изображений #flux #генеративные_модели #фейк

  15. Невидимые метки в AI-картинках 2.0: JPEG, blur, перерисовка и ошибки первого теста

    После первой статьи в комментариях попросили больше технической части и меньше выводов по одной картинке. Разбираюсь, что SynthID переживает, что может разрушить метку и что вообще доказывает её наличие. В первой статье я проверил одно изображение через сторонний сервис и сделал из этого слишком широкий вывод. В комментариях предложили более нормальный набор тестов: JPEG-сжатие, resize, crop, blur, скриншот, повторную генерацию и анализ частотной области. Там же мне скинули reverse engineering SynthID. Так что здесь разбираемся уже не с одним сервисом, а с самой технологией. Услышал ваши комментарии, исправляюсь

    habr.com/ru/companies/syntx_ai

    #SynthID #невидимые_водяные_знаки #AIизображения #watermark #JPEG #обработка_изображений #DeepMind #OpenAI_Verify #C2PA #генеративный_ИИ

  16. Как мы написали свой OCR и автоматизировали горы первички

    Когда внутренних заказчиков становится слишком много — каждый со своими хотелками и типом документов — поддерживать кучу отдельных сервисов уже нереально. Отдел кадров приносит документы о приёме на работу, бухгалтерия хочет сверять финансовую отчётность, другие подразделения — своё. Нужен был единый сервис, который умеет распознавать документы и гибко настраивать извлечение данных под любой шаблон. Ситуацию усложнил уход западных вендоров — тот же ABBYY стал недоступен. Просто взять и купить готовый зарубежный софт мы не могли — ни по соображениям безопасности, ни по факту: рынок сам закрыл эту возможность. Нужно было решение, которое работает строго внутри защищённого контура. С открытым API, через который можно интегрироваться с практически любой внутренней системой. Так в Гринатоме (ИТ-интеграторе Росатома) мы начали разработку Атом.Око. Это система, которая не просто видит текст на скане, а понимает структуру документа. Вытаскивает реквизиты, проверяет наличие подписей и печатей.

    habr.com/ru/companies/greenato

    #АтомОко #ocr #tesseract #распознавание_текста #обработка_изображений #извлечение_данных #первичная_документация #автоматизация #документооборот #lowcode

  17. Как нейросети редактируют фотографии: большой разбор inpainting, image-to-image и диффузии. Часть 1

    Двадцать лет назад убрать мусорный бак из кадра — это была целая история, требующая виртуозно владеть фотошопом. Чем дальше шло развитие «умных» инструментов, тем проще решалась эта задача, но поведение всё же не было до конца предсказуемым. И вот мы пришли к полноценному ИИ, который нам этот бак уберёт одним щелчком, не обязательно даже его полностью выделять. Так и хочется сказать: «Будущее!» А потом заметить, что заодно перерисовался бордюр в другом конце кадра. Который вообще не надо было трогать. В этом небольшом цикле статей мы поговорим об обработке настоящих, реальных фотографий с помощью ИИ. И нет, это не будет сборник типа «десять нейросетей для фотографа». Мы с вами полезем куда глубже, в самые основы, чтобы понять, как именно нейронка (а точнее, диффузионка) видит и обрабатывает фото. Разговор пойдёт по нарастающей. Сначала пройдёмся по методам ретуши. Потом погрузимся в то, как диффузионка вообще работает с картинкой — целиком, от промпта до пикселей. Потом — как из такой генерации сделали редактор. Дальше — что модель несёт с собой из обучения, что ломается на стыке с фотографическим рабочим процессом, что до сих пор быстрее делать по-старому. И под конец — вопрос про то, чему теперь вообще верить, мы его затронем по касательной. Предупреждаю сразу: примерно две трети текста — это про ограничения. Про достоинства вам и без меня расскажут в любом рекламном ролике, а вот про то, где именно эта штука спотыкается, обычно молчат.

    habr.com/ru/companies/bothub/a

    #stablediffusion #diffusion #photoshop #controlnet #ретушь #фотография #обработка_изображений #flux #генеративные_модели #фейк

  18. 2000 идентификаций в секунду: как выбрать нужную таблицу на документе без нейросетей

    Система распознавания документов может найти на одном изображении сразу несколько областей, похожих на таблицы. Среди них может быть нужная нам таблица, другая таблица, блок реквизитов, рамка или просто удачно выровненный текст. И прежде чем запускать распознавание ячеек, нужно понять, какой именно из найденных регионов содержит целевую таблицу. В Smart Engines мы решили эту задачу необычным способом: превратили каждый табличный регион в строку, которая одновременно описывает его геометрию и текстовое содержимое, а затем стали идентифицировать нужную таблицу с помощью регулярных выражений. Получился быстрый детерминированный алгоритм, способный выполнять около 2000 идентификаций таблиц в секунду даже на обычном мобильном процессоре. Сегодня в статье мы расскажем, как устроено строковое представление таблицы, почему оно позволяет отказаться от набора хрупких эвристик и как более точная идентификация нужной таблицы влияет на итоговое качество распознавания документа.

    habr.com/ru/companies/smarteng

    #распознавание_документов #распознавание_таблиц #идентификация_таблиц #PCR #компьютерное_зрение #регулярные_выражения #обработка_изображений #smart_engines

  19. Сшивка кадров с микроскопа: как собрать большое изображение из видео

    Рассматривать предметный образец под микроскопом — всё равно что пытаться увидеть концертный зал через замочную скважину: в поле зрения попадает только небольшой фрагмент, а общей картины не видно. Поэтому предметное стекло постепенно перемещают под камерой, а система записывает видео и собирает отдельные кадры в одно большое изображение, которое можно сохранить и использовать для исследования. Сделать это простым наложением кадров нельзя: во время движения они могут смазываться, освещение меняется, а похожие участки легко перепутать. Мы сравнили несколько подходов к совмещению соседних кадров.

    habr.com/ru/articles/1067168/

    #сшивка_изображений #обработка_изображений #компьютерное_зрение #микроскопия #OpenCV #оптический_поток #фазовая_корреляция #видеопоток #DICOM #GeoTIFF

  20. Типизация документов без OCR и нейросетей: 99.79% точности за 3 мс

    Когда пользователь загружает документ в систему, сначала нужно понять, что именно он прислал. Паспорт? Договор? Полис? Заявление? От этого зависит весь дальнейший сценарий обработки: какие поля искать, какие проверки выполнять и какой OCR использовать. Ошибка на этом этапе делает бессмысленной всю дальнейшую обработку. Мы покажем, что тип документа можно определить, вообще не читая его содержимое. Для этого не нужны OCR, нейронные сети или анализ текста – достаточно использовать геометрию документа.

    habr.com/ru/companies/smarteng

    #ocr #распознавание_документов #компьютерное_зрение #обработка_изображений #алгоритмы #классификация_документов #FHT #dtw #smart_engines

  21. ИИ в медицине: на пути к клиническому применению

    В 2026 году активно выходят новые фронтир LLM-ки, агентные системы и принципиально новые подходы в самых разных областях. Медицинский AI периодически перенимает наработки, однако область применения ИИ в медицине сейчас остается весьма ограниченной. Обсудим, какие сложности скрываются под капотом медицинского ИИ-сервиса, какие типы данных там бывают, как их предобрабатывать, какие модели использовать и, главное, — насколько в 2026 году можно полагаться на автоматизированные медтех-сервисы?

    habr.com/ru/articles/1064694/

    #медицина #обработка_изображений #python #машинное_обучение #математика #искусственный_интеллект #медтех

  22. Программисты рисуют и травят: от штриховой векторизации к офортам Меллана

    Не умея рисовать, организовал три персональные выставки портретов и картин с января по май в разных городах России. 21-й век на дворе. Программист нажимает кнопку, а робот рисует простой шариковой ручкой на простой бумаге. Как? Об этом в статье.

    habr.com/ru/articles/1051962/

    #drawingbot #плоттер #алгоритмы #компьютерная_графика #векторная_графика #чпу #diy #генеративное_искусство #обработка_изображений #обработка_изображений_мозгом

  23. Нечестный обзор ИИ-агентов. Кто действительно смог реализовать Depixelizing Pixel Art?

    Лето, скоро отпуск — захотелось написать статью, которую просто кайф прочитать, и заодно попробовать что-то новое. Для ИИ есть бенчмарки вроде HumanEval, где модель просят написать функцию на пару строк, есть задачи уровня «сделай мне todo-лист на React». А что будет, если дать современным ИИ-агентам по-настоящему наукоёмкую задачу — реализовать алгоритм из статьи SIGGRAPH на Swift, без сторонних библиотек? Условия простые: 1 промпт = 1 реализация , без уточнений, без указаний на недочёты, без итераций правок. Узнать, что получилось

    habr.com/ru/articles/1051630/

    #ИИагенты #LLM #Swift #депикселизация #pixel_art #алгоритмы #бенчмарк #Claude #SIGGRAPH #обработка_изображений

  24. Я научил небольшой Transformer генерировать цифры одной нитью

    Наверняка вы видели портреты, собранные из одной нити, натянутой между сотнями гвоздей. Я решил проверить: можно ли научить нейросеть генерировать не готовую картинку, а инструкцию, по которой такая картинка строится? Я провел простой эксперимент и превратил цифры MNIST в последовательности переходов между 256 гвоздями и обучил небольшой Transformer продолжать путь нити. В результате модель выдаёт не PNG, а JSON-траекторию, которую можно отрисовать в любом разрешении - или потенциально передать физической string-art установке

    habr.com/ru/articles/1046912/

    #Transformer #машинное_обучение #MNIST #string_art #обработка_изображений #генеративная_модель #autoregressive_generation #sequence_modeling #процедурная_генерация #Python

  25. Ускоряем в 10+ раз вычисление расстояния Хаусдорфа на упорядоченных контурах

    История о том, как реальная performance-проблема привела к простой exact-оптимизации Hausdorff distance на упорядоченных контурах. как ускорить Hausdorff distance

    habr.com/ru/articles/1042704/

    #Hausdorff_distance #расстояние_Хаусдорфа #оптимизации #performance #обработка_изображений #image_processing #geometry #c++ #контуры #computer_vision

  26. Извлечение параметров из 2D-чертежей: 6 YOLO-моделей, кастомный OCR и стрелочная логика

    PDF‑чертёж кажется простым документом, пока не нужно автоматически вытащить из него всё, что влияет на стоимость изготовления детали : габариты, диаметры, резьбы, квалитеты, шероховатости, материал, массу и тип детали. Мы собрали для этого пайплайн из детекции, OCR и инженерной логики: научили систему находить проекции, отделять контур детали от служебных линий, связывать стрелки с размерами и превращать чертёж в JSON для калькулятора стоимости. В статье разбираем архитектуру решения, узкие места и приёмы, которые реально сработали на производственных чертежах. Читать кейс

    habr.com/ru/articles/1033824/

    #ocr #ocrтехнологии #детекция_текста #распознавание_документов #машинное_зрение #компьютерное_зрение #обработка_изображений #инженерная_оптимизация

  27. Свой маленький GIS: WPF-приложение для мультиспектральных и гиперспектральных снимков

    Привет, Хабр. Меня зовут Алексей, я C#-разработчик. В этой статье хочу рассказать о своём дипломном проекте очень запавшем мне в душу, который я делал на тему обработки изображений, GIS и дистанционного зондирования Земли. Даже спустя годы мне интересна данная тема и она по-прежнему остаётся очень перспективной в различных отраслях. Идея была в том, чтобы собрать небольшое настольное приложение, которое умеет работать с реальными спутниковыми данными: Landsat 8, Sentinel-2 и AVIRIS. То есть открывать не готовую RGB-картинку, а набор спектральных каналов, собирать из них естественные и псевдоцветные изображения, считать растровые индексы, выделять эталоны прямо на снимке, классифицировать пиксели, сегментировать изображение и пробовать более исследовательские вещи вроде EMD-разложения. В итоге получилась учебно-исследовательская программа, но с полным рабочим циклом: от чтения спутникового архива до сохранения информативного результата обработки. Ниже расскажу, зачем вообще нужны такие снимки, какие особенности есть у разных спутниковых данных, что делает приложение и какие алгоритмы оказались самыми интересными.

    habr.com/ru/articles/1031848/

    #гис #wpf #дзз #зондирование #спутники #обработка_изображений #обработка_данных #образование #гиперспектральная_съемка #мультиспектральная_съемка

  28. Методы обнаружения контуров в изображении: пространственные фильтры

    Большинство современных CV-алгоритмов невозможно представить без выделения границ объектов. В этой статье разбираем, как работают пространственные фильтры — от простейших масок 2×2 до полноценного детектора Канни. Рассмотрим математическую базу: производные первого и второго порядка, градиент, дискретный Лапласиан. Как из аппроксимации производных получаются операторы — Робертса, Прюитта, Собеля, Лапласа. Разберем детектор Канни по шагам: сглаживание Гаусса, поиск градиентов, подавление не-максимумов, двойная пороговая фильтрация. Отдельно — адаптивный фильтр Уоллеса для автоматического подбора порога.

    habr.com/ru/companies/timeweb/

    #контуры #opencv #python #ml #cv #математика #математика_для_программистов #математическое_моделирование #обработка_изображений #timeweb_статьи

  29. 17 лучших бесплатных аналогов Photoshop (топ альтернатив)

    Друзья, я снова с подборкой программ! Поскольку работаю с графикой и перепробовал много редакторов, то хочу подсказать, чем заменить Photoshop. Нашел варианты и для обработки фотографий, и для серьезного дизайна. Каждый по праву можно назвать лучшим бесплатным аналогом Фотошопа на русском языке.

    habr.com/ru/articles/1028946/

    #Программы #программное_обеспечение #софт #software #обработка_фотографий #обработка_фото #обработка_изображений

  30. ChatGPT Images 2.0 — все, что нужно знать прямо сейчас. Сравнение с Nano Banana 2 и Nano Banana Pro

    21 апреля OpenAI выпустила gpt-image-2 - и это не просто новая версия генератора картинок. Модель поддерживает разрешения до 4K, значительно улучшенный рендеринг текста на десятках языков, Thinking Mode с reasoning и веб-поиском , а также мультишаговое редактирование. Я разобрала, что реально изменилось и сравнила с Nano Banana 2 и Nano Banana Pro от Google - с ценами, скоростью и честным взглядом на то, где каждая модель выигрывает.

    habr.com/ru/articles/1026724/

    #искусственный_интеллект #нейросети #openai #gpt_image_2 #сравнение #nano_banana_2 #nano_banana_pro #генерация_изображений #обработка_изображений #chatgpt

Share on Mastodon

Enter the server where you have an account.