在经过几天网络PS课程的学习后,我使用PS制作了一张以2020新冠肺炎为主题的简单海报。
以园林为灵感,在脑内构思出了一幅大概的模板后,我便开始寻找可使用的素材,于第二日正式开始设计制作。
先新建一张尺寸合适、空白的图为背景,从相册选取需要的素材,逐张抠图,拖入空白背景图,并通过Ctrl+T调整大小、翻转或旋转,最后调整图层顺序以及素材位置,完成最初的模板。在这其中,我通过快速选择工具,使用“【”和“】”二键反复调整工具大小,反复增加、删减选择区域,得到了较为精细的抠图效果,虽不算完美,但也着实耗费了我不少时间。
在得到了海报雏形后,我使用渐变工具,添加了一个由白渐变为黑的效果作为海报背景,然后通过曲线反复调整对比光影效果,并依照主题添加了大红色滤镜,得到了第一版的海报。但因我添加在这些效果时,未能注意到选中不同图层时产生的效果不同,于是只能重新调整,得到了第二版的海报。
在调整了样式、颜色后,输入文字,并依据海报整体调整大小与位置,最终更改图片保存格式,完成了整张海报的制作。
在制作海报的过程中,由于忘记保存或效果不理想,部分步骤多次反复,使我对一些工具的使用更加熟练,加深了我对PS部分操作的了解,此次实践还算收获不错。
相关推荐
关于PS课程中图像选区部分的学习总结
在本次PS课程的学习中,着重讲解了对于不同图像的选区方法。 1、规则边缘选区: (1)直接选定选择菜单中的“主体”,可获得PS智能选择的图像。 (2)从左侧工具栏选择磁性套索工具,手动选定图像范围。 (3)切换快速蒙版编辑状态,选择绘图工具,涂抹图像所需范围。 添加图层蒙版以及填充图层,并添加指示色,用以测试选区效果。打开属性面板,通过选定“选择并遮住”功能键,进入一个新的界面,用以对图像周边的选...
学习PS、AI日志总结 (以PS为例)
姓名:邱锡纶 时间:2019年01月18 星期五 通过学习和使用PS和AI两款软件之后得知两者的一些共同点和不同点 。 一、 放大效果不同,用AI放大后,图像依然清晰。而用PS放大后,图像会变模糊。也就是说,用AI绘制的图形是可以放大而不失真,而PS就不可以,因为PS绘制的图形都是以像素点来画,除非直接使用矢量工具来绘制。 二、 P...
如何系统学习 Ps、CAD、Office 等软件?
首先,兴趣很关键,又要用那句老话:“兴趣是最好的老师”,没有兴趣,你只是按部就班的去记忆命令,机械式的学习是很痛苦的。就拿CAD来说,做为机械狗,我是很享受用CAD来画图的,画过手工图都知道,CAD简直让人爽到爆。PS这种富有创造性的软件更不用说了,当你创造出一幅作品的时候,感觉整个世界都完美了。找到兴趣点,并且爱上它,你要以一种老子在上你的心态来学习,而不是劳资被强暴了的心态学习,总之兴趣很重要...
ps学习心得
第一节ps的课程,就了只解到了一些图片的打开方式,第一种通过复制,粘贴这两个过程,第二种方式是通过拖拉的方式,第三种方式通过ps种的打开方式找到图片存储的位置进行打开。还教了我几个ps中的几个快捷键,ctrl+z是退回上一步,ctrl+s保存。
photoshop学习心得体会建议全集(新手必看)
希望对你有用,let's go.......
PS学习总结
一、魔术棒法——最直观的方法 二、色彩范围法——快速 三、 磁性索套法——方便、精确、快速和我常用的方法 四、(索套)羽化法——粗加工 五、(索套)钢笔工具法——最精确最花工夫的方法
19数字媒体技术一班 刘增千 PS学习笔记2
学习笔记 本次笔记为学习了进阶课程之后的笔记,在上次学习笔记中,我曾提到了PS工具的强大性能以及多样性。在这一阶段的学习中,我真正的见识到了PS的强大。 印象最深刻的就是刘国柱老师在调节示例图片中女士胳膊上的痣,通过修复工具的一系列操作,竟然完美的将女士胳膊上的痣去掉了,毫无痕迹!而更厉害的是,刘老师竟然将女士右手腕上的手环,变到了左手腕上,毫无违和!这让我不禁对PS的高度智能赞叹不已,我深刻的感...
STM32硬件SPI调试ADS1256的3个致命坑,CubeMX配置避坑指南
本文深入解析STM32硬件SPI调试ADS1256高精度ADC芯片时常见的3大配置陷阱,包括SPI时钟频率、时钟极性与相位、数据字节序等关键问题。通过CubeMX实战配置指南和实测数据对比,提供稳定可靠的解决方案,帮助开发者避免常见错误,提升采样精度和系统稳定性。
ui设计小练习
上了一星期的ui设计,作业好多哈!!!都没时间敲代码啦。上午上课,下午做作业。本来ps学的也不咋地,太尴尬啦。不过,收获还是挺多的,值了。传几张这一周的作品吧。虽是跟着老师做的,好歹也是自己动手搞出来的。 ...
【Vite+Vue3+TS】基于Vite+Vue3+TypeScript+ESLint+Prettier+Stylelint搭建项目(亲测超详细)
结合了很多项目和文章,总结一篇项目构建的笔记。 温馨提示:文章末尾记录了我在搭建项目过程中,遇到的一些问题和解决办法 ~
解决UNITE数据库注释高unassigned率:手把手教你训练专属真菌分类器(含预训练模型分享)
本文针对使用UNITE数据库进行真菌ITS序列注释时出现的高未分配率问题,提供了详细的实战解决方案。通过对比vsearch直接注释与Naive Bayes分类器的原理差异,文章手把手指导读者在QIIME 2环境中训练专属分类器,包括数据准备、模型训练、参数优化及效果验证,并分享了预训练模型,旨在显著提升真菌群落分析的注释准确性和数据利用率。
“品牌设计”课程及其PS 软件应用心得体会
通过具体案例的分析和实践任务的完成,我逐渐掌握了品牌定位的策略和技巧。通过课程中的实践任务,我逐渐熟悉了图层和蒙版的运用,对于图像的后期处理有了更高的灵活性和创造性。通过课程中的实践任务,我逐渐熟悉了图层和蒙版的运用,对于图像的后期处理有了更高的灵活性和创造性。通过课堂实践和作业,我提升了自己的设计能力,学会了如何运用视觉元素来表达品牌的特点和价值,从而使品牌形象更加鲜明和吸引人。通过课堂实践和作业,我提升了自己的设计能力,学会了如何运用视觉元素来表达品牌的特点和价值,从而使品牌形象更加鲜明和吸引人。
【浅读论文-红外和可见光图像融合-CNN】Infrared and Visible Image Fusion using a Deep Learning Framework
1.这篇是2018年ICPR会议上发表的一篇文章1。博主个人觉得这算比较早期在VIF(红外光和可见光图像融合)中加入了深度学习这一模型的论文。2.这篇文章并不是完全使用深度学习的模型,模型主体在图像分解和融合仍然采用传统的方法,只有其中一个分支在特征提取和重建方面用到了VGG网络。3.论文地址4.代码地址本文提出了基于深度学习框架的一种新算法。本文提出使用下述论文中Image fusion with guided filtering2中的分解方法将源图像分解为基本部分和细节内容。
如何将图片素材亮度调高照片光线调亮ps教程ps学习ps基础课程教程
如何将图片素材亮度调高照片光线调亮ps教程ps学习ps基础课程教程。
Viobot使用教程总贴
使用教程总贴
Python爬虫实战:使用最新技术爬取路透社新闻数据
网络爬虫(Web Crawler)是一种自动获取网页内容的程序,是搜索引擎的重要组成部分。随着大数据和人工智能技术的发展,爬虫技术在数据采集、市场分析、舆情监控等领域发挥着越来越重要的作用。requests:同步HTTP请求库aiohttp:异步HTTP请求库:HTML解析库lxml:高效的HTML/XML解析库selenium:浏览器自动化工具playwright:现代浏览器自动化工具pandas:数据处理和分析库scrapy:专业的爬虫框架:生成随机User-Agentredis:缓存和分布式爬虫支持。
第一期vue项目实践问题与收获总结
第一期项目实践问题与收获总结 文章目录第一期项目实践问题与收获总结1. 存在问题1.1 本地静态存储信息1.2 用户权限的区分2. 收获2.1 路由导航守卫拦截未登录的访问2.2 element-UI的使用2.3 md5方式对密码加密 1. 存在问题 1.1 本地静态存储信息 还未实现本地静态存储用户的登录信息。此时的信息仍是储存在cookie会话缓存中。不利于全局的随时调用。(后期可以利用vuex的store实现改进) 1.2 用户权限的区分 不同的用户应该拥有不同的用户权限来对后台进行管理,并
医疗影像分析实战:肺炎X光片分类与分割
医疗影像分析实战:肺炎X光片分类与分割 ,人工智能,计算机视觉,大模型,AI,在医疗领域,医疗影像分析技术凭借其高效、精准的特点,成为疾病诊断与治疗的重要辅助手段。肺炎作为一种常见的呼吸道疾病,严重威胁人类健康,通过 X 光片对肺炎进行诊断是临床常用方法。利用计算机技术实现肺炎 X 光片的自动分类与分割,不仅能减轻医生的工作负担,还能提高诊断的准确性和效率。本文将深入讲解肺炎 X 光片分类与分割的实战过程,结合大量代码示例和关键概念解析,帮助读者掌握相关技术。
关于PS课程中色彩调整部分的学习总结
在今日PS课程的学习中,主要介绍了部分色彩调整命令——色彩平衡、可选颜色和匹配颜色。 1、色彩平衡:“针对阴影、中间调和高光三个明暗区域,调整三对原色的平衡关系。”在添加色彩平衡调整图层后,可以看到一个属性页面,上面显示了三个滑杆,两端分别对应了三对互为补色的原色——红色与青色、洋红与绿色、黄色与蓝色。通过下拉菜单可选择对阴影、中间调或高光三个区域的调整,且三者的调整效果可同时生效。在选定区域后,...
(14-3)值分布式算法:QR-DQN (Quantile Regression DQN)算法
QR-DQN(Quantile Regression DQN)是一种强化学习算法,它是深度 Q-网络(Deep Q-Network,DQN)的一个变种,旨在更好地处理值函数的不确定性。QR-DQN的实现步骤与传统的DQN类似,但在目标分布计算和损失函数方面有一些不同之处,这使得它能够更好地处理值函数的不确定性。QR-DQN(Quantile Regression DQN)算法的核心思想是将值函数表示为一个分布,而不是传统的单一值估计。在下面的内容中,将讲解一个使用QR-DQN算法的例子。
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。
PS学习笔记(零基础PS学习教程)
26. 调整大小:Ctrl+t 按住shift(等比例放大) 按住alt(按中心点放大) 按住shift旋转(一次15度)30. 文字调整:Ctrl+shift+c 右对齐 Ctrl+shift+alt 左对齐 Ctrl+shift+r 居中。ps界面的最上面一排是菜单栏,里面有【文件,编辑,图像,图层,选择,滤镜,视图,窗口,帮助】等。50. 放大视窗:Ctrl+“+” 缩小视窗:Ctrl+“—”27. 盖印图像:Ctrl+shift+alt+e。38. 保存:ctrl+shift+alt+s。
C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正
【字幕】ps基础-01课程大纲
大家收看2024年全新制作的PS技术课程。和我一起走进photoshop的世界。85%以上的视频都整的非常的高大上。或多或少的看过PS产出的系列视频。并且详细讲解某一种工具功能的视频。让你最基本的认识我们学的这个工具。都可以添加评论区置顶链接咨询领取。我不仅翻遍了b站几乎所有的课程。观看国外的老师做的PS教学视频。加上知识和实操相结合的实际案例。会让你透彻的认识这个工具的作用。所以我决定摒弃所有的花里胡哨。所以我综合了PS的所有知识点。并了解掌握整个PS的工作流程。还有PS从0到1的学习计划表。
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
操作系统原理课程设计
本文介绍了一个基于Linux的小型操作系统原型设计实践,通过实现16个核心Shell指令(如ps、ls、top、vi等)来深入理解操作系统内核原理。项目采用C语言开发,利用Linux系统调用和/proc文件系统获取进程、内存、文件等系统信息,模拟了UNIX/Linux环境下的命令行操作功能。重点阐述了vi编辑器、进程管理、文件操作等关键模块的实现原理,包括ANSI终端控制、进程状态解析、文件元数据处理等技术细节。
ps零基础学习计算机,如何零基础学习PS?写给新手朋友的一些经验
今天南通渡课IT教育的小编来和大家聊聊如何让零基础学习PS?希望这篇文章能对想学PS的新手朋友有所帮助。南通渡课IT教育,专业办学十余年,期间培养了近万名学员,来渡课学IT不仅是学知识,更重要的是学习到进入企业的实战项目,渡课的学习经验更是工作经验,学IT到渡课,IT教育知名品牌,名师执教,线下小班培训,线上直播课程同步进行,通俗易懂,深受广大学员和家长所喜爱。在学习之前,首先要问问自己喜欢不喜欢...
PS学习理解
写在最前面,课程资源由慕课提供,听取的课程是由浙江大学刘国柱老师主讲的Photoshop精讲精练。有兴趣的朋友可以点击连接进行学习。 学习PS有20天左右了,总共47课时的学习课程,已经走过了20课时,在此期间初步掌握了使用PS的基本技巧,主要有以下几个方面: PS软件界面的构成,对工具软件有一个感性认识; PS常用工具的学习和初步使用,了解常用工具的位置及其简单作用; 认识PS对选区的设...
vivado学习之PS与PL通信
刚开始学习PS与PL通信的时候,总是理解的不透彻,只能跟书上或者网上的教程学习,但是也只是照猫画虎。直到看了这篇博文: http://xilinx.eetop.cn/viewnews-2547 这个说的很好,主要讲PL 和PS之间的通信,但是中间写了很多为什么要这么做。在网上找的很多其他资料根本就没有这方面的介绍 步骤大致如下: 1、创建一个block,加载XML文件。 2、在blo
1173



被折叠的 条评论
为什么被折叠?



