Photoshop Magazin
 


PhotoSketch: Fotomontaj Piş, Ağzıma Düş !

01 November 2009 | Sayı: Nov 2009
 
1 2 3 4 5
 

Terminator filmindeki hikayenin (muhtemelen göremeyecek olsam da) bir gün gerçekleşeceğine inanan biri olarak teknolojideki akıl almaz ilerleme artık beni pek şaşırtmıyor. Son günlerde, bilim kurgu ve afilli ajan filmlerinden alışkın olduğumuz fotoğraf üzerindeki teknolojik sihirbazlık numaralarından biri yavaş yavaş gerçek oluyor.

Tsinghua University, National University of Singapore ve The Interdisciplinary Center’dan Tao Chen, Ming-Ming Cheng, Ping Tan, Ariel Shamir, Shi-Min Hu’nun ortak çalışmaları sonucu ortaya çıkan PhotoSkecth projesi şimdiden adından epey bahsettirmiş durumda. Henüz proje aşamasında olan bu sistem, çok uzak olmayan bir zamanda pişerek servise hazır hale gelecek gibi görünüyor.

Fotomontaj, uzmanlık ve bir hayli sabır isteyen bir işlem. Uygun perspektif, ışık ve doku yapısına sahip görselleri bir araya getirerek foto-gerçekçi bir sonuca profesyonel bir kalite ulaştırmak her “ben Photoshop kullanabiliyorum”
diyen kişinin harcı değil.

PhotoSketch sistemi, oldukça yoğun uğraşlar sonucu oluşturulmuş algoritmalar üzerine kurgulanmış bir teknoloji. Dünya kadar matematiksel formüller içeren sistemin basit olarak çalışma mantığı şu şekilde:

1. Taslak Çizimi
Arayüzde bulunan düzlem üzerine, serbest kalem aracı ile kompozisyonda kullanılması düşünülen formlar, boyut orantıları göz önünde bulundurularak çizilir ve metin etiketi tanımlanır. (örneğin zıplayan köpek, kırmızı elma vb.) Metin etiketi tanımlamak, internet üzerinde uygun resimlerin bulunabilmesi açısından oldukça önemli.

2. Aday Resimlerin Bulunması
Taslak çizim tamamlandıktan sonra sistem, tanımlanmış olan metin etiketlerine göre internette resim araştırmaya başlar. Arama sonuçları arasından ortalama her nesne için 100, arkaplan için ise 20 farklı alternatif resim
filtrelenir.

İçerik Uyumlu Filtreleme: Aynı içeriği olan arka plan resimleri genellikle benzer görünüme sahiptir. Örneğin, plaj resimleri genellikle sarı kum ve mavi gökyüzünden oluşur. Çayır resimlerinde ise yemyeşil çim olur. Benzer içeriği olan resimlerden bir küme oluşturulaırak LUV renk evrenindeki histogramların da yardımıyla kullanıcının içinden seçim yapabileceği pek çok kompozisyon oluşturulmaktadır.

Düzenli Alan Filtrelemesi:
Fon resmi, çalışma alanı ile aynı hizada olursa ufuk çizgisi ile bir bütünlük sağlanmış olur. Bu bütünlüğü sağlamak amacıyla her aday fon resmi için sistem otomatik olarak bir ufuk çizgisi belirler. Bu aşamada ufuk çizgisi ile çalışma alanı arasında çok büyük farklılığı olan resimler elenerek kalan imajlardan ekran öğeleri için uygun olan, büyük alana sahip ve arka fona uyacak resimler seçilerek bir eleme daha yapılır. Her resim parçalarına bölünür ve ekran öğelerinin dış gövdesini kaplayan tüm parçalar sayılır. Bu aşamada herhangi bir parçalara ayırma metodu kullanılabilir.

Kontur Hattı Filtreleme:
Bazı resimlerin çok net ve basit bir fonu vardır. Otomatik analiz, bu tarz resimler için daha güvenilir bir yoldur. Bu sayede fonu çok karmaşık olan resimler elenebilir. Fonu temiz olan imajlarda, sahne resmi tüm görsel dikkati üzerine çeker. Böylelikle resim konturunda bulunan çıkıntılar filtrelenebilir. Her imaj parçalarına bölünerek 30 piksel genişliğindeki yüksek çıkıntı parçaları sayılır. 10’dan fazla parça bulunması durumunda görsel karmaşık addedilerek elenir.

Yüzey Sabitleyici Filtreleme:
Eğer sahnede kullanılan öğenin kullanıcı tarafından belirlenen bir silüeti varsa, kalan imajları filtrelemek için şekil eşleme tekniği
kullanılır. Kullanıcı tarafından çizilmiş dış yüzey ile sahne öğesinin dış yüzeyi ölçülür. İki dış yüzey arasındaki tutarlılık ölçülerek her iki yüzeyde de birer nokta belirlenir. Her iki nokta içinde bir şekil tanımlayıcı hesaplanır. Birbirine denk gelen bu iki nokta belirlendikten sonra bir skor hesaplanır ve algoritmalar yardımıyla bu skor işlenerek eleme işlemi
gerçekleştirilir.

İçerik Sabitleyici Filtreleme:
Bu filtreleme yaklaşımında, fon resmine uygulanan yaklaşıma benzer bir metod kullanır. Çıkarılan sahne öğeleri “Mean-Shift Clustering” adı verilen yöntem ile dağıtılır. En büyük kümeye güvenmek yerine, sabit içeriği olan imajların %5’inden fazlası da kümeye dahil edilir. Çünkü sahne öğelerinin arka fonlarına kıyasla daha zengin görünümleri vardır. Her parçaya bölünmüş öğeye, normalleştirilmiş Mahalanobis mesafesinin, kümenin merkezine uzaklığı ölçülerek bir içerik sabitleme skoru verilir. Sahne öğesi olmaya aday imajı bulabilmek için bu skor algoritmalar ile değerlendirilerek filtreleme işlemi gerçekleştirilir.

Filtreleme Performansı:
Internetten alınan filtreleme imajları oldukça büyük bir problem teşkil edebilir. Sistem bu problemi çözmek yerine uygulama bazlı bir çözüm tasarlıyor. Düşük hata payına sahip olumlu olarak addedilen imajları seçmek için sert bir kriter uygulanıyor. Örneğin basit bir fon sabit bir dış yüzey ve içeriğe sahip olmak gibi. Bu noktada filtreleme yapılabilmesi için bir takım istatistiklerden faydalanılıyor.  Mesela sıçrayan köpek etiketi için seçilen fotoğrafların uygun olup olmadığı manuel kontrol ediliyor. Arama motorunun gösterdiği ilk 100 resim arasından sadece %35’i istenen içeriği barındırıyor (istenen dış yüzeye sahip köpek). Diğer bir deyişle hata değeri %65. Bu değer içerik uyumlu filtreleme, dış yüzey sabitleme filtrelemesi ve içerik sabitleme filtrelemesi ile %66, %21 ve %15 oluyor.

İki önemli kriter oldukça önemli. İlk önce “fırlatmak” ve “zıplamak” gibi fiillerin filtreleme yapılabilmesi adına ne kadar yardımcı olduğu. Aynı şekilde kullanılan anahtar kelime “köpek”in de öyle. Doğru etiketleme ile filtreleme performan-
sını kayde değer ölçüde artırmak mümkün.

3. Resimlerin Birleştirilmesi
Kusursuz bir şekilde imaj birleştirmek için halihazırda kullanılan 2 ana yöntem buluyor:

1. Alpha Blending
2. Poisson Blending
Alpha Blending, imaj üzerindeki ışık değişimlerini idare etme işleminde pek başarılı olduğu söylenemez. Diğer taraftan Poisson
Blending metodu ise renk ve doku farklılıklarından olumsuz etkileniyor. Bu nedenle farklı kıişiler üzerinde ışığın sabit olmaması nedeniyle sonuç yapay görünüm riski taşıyor.

Sistem birleştirme işleminde birçok algoritmayı birlikte kullanıyor. Birleştirme işleminde renklendirmeyi kaynak imaja yakın olacak şekilde düzenleyerek daha doğal bir birleştirme sağlanıyor.

4. İmaj Bİrleştirmeyi İyileştirme
PhotoSketch'in kullandığı birleştirme methodunda bile tüm imajların sorun bir biçimde birleştirilmesi mümkün olamıyor. Benzer doku ve renge sahip imajlar, birleştirme işlemi için nispeten uygun olacaklardır. İki resmin birleştirilmesinin analizini yapmak
için Cost Chain Blending metodu kullanılmaktadır. Temelde tüm aday imajların kambinasyonlarının incelenmesi ve içlerinde
en az maliyete sahip olanının seçilmesi için tasarlanan algoritmalarda kullanılmak üzere 100 aday resim ve 20 arka fon resmi adayı bulunuyor. Matematiksel hesaplamalar sonucunda birbirine en uygun imajlar bir araya getirildikten sonra renk eğrileri (curve) ile iyileştirme işlemi gerçekleştiriliyor.

Son Olarak
Yazının başında da belirtildiği gibi bu fantastik sistem henüz geliştirilme aşamasında ve %100 sağlıklı bir şekilde henüz çalışmıyor. Çoğu resimde sapma oranı hala yüksek. Adobe, Photoshop CS3 ile birlikte sunduğu healing araçları ile doğal doku birleştirme konusunda oldukça büyük bir adım atmıştı. Photoshop CS5 versiyonuna eklenmesi düşünülen PatchMatch özelliği ile de Adobe, Photoshop içerisinde yer alan healing özelliklerini birkaç adım öteye taşıyor. Bu teknolojik gidişhatı lehte mi yoksa aleyhte mi yorumlamak gerekir bilemiyorum. Bu ve benzer teknolojiler insanlık için elbette büyük bir adım olsa gerek. Bunun yanında tasarım sektöründe istihdam açısından gelişmeler değerlendirildiği zaman insan emeğinin gücünü yerini gün geçtikçe bilgisayarlar ve yazılımların alması çalışanların açısından pekte olumlu algılanmayabilir. Sonumuz hayırlı olsun diyelim...

 

 

November 2009

 


Dosya