码绘与手绘的对比——静态

版权声明:本文为博主原创文章,未经博主允许不得转载。

码绘与手绘的对比——静态

最近老师上课给我们呈现了代码画出懵逼脸,并通过修改代码的参数,修改运行结果。
课后老师布置了码绘与手绘对比的专题作业,本人进行了一些简单的尝试。

复习上课内容

我课后把老师的代码自己运行了一遍,并进行了手绘对比。
首先来看码绘结果

码绘结果

然后看手绘结果
手绘结果
代码实现

void setup(){
  size(400,400);
  background(100);
}
void draw(){
  fill(255);
  ellipse(320,240,180,180);
  ellipse(280,240,50,50);
  ellipse(360,240,50,50);
  ellipse(320,300,80,40);
  fill(0);
  ellipse(280,240,20,20);
  ellipse(360,240,20,20);
  line(260,180,260,100);
  line(280,180,280,100);
  line(300,180,300,100);
  line(320,180,320,100);
  line(340,180,340,100);
  line(360,180,360,100);
  line(380,180,380,100);
}

自己做一个简单的尝试

码绘结果

码绘结果2

手绘结果
手绘结果2
代码实现

void setup(){
  size(400,400);
  background(100);
}
void draw(){
  stroke(255);
  line(50,10,300,350);
  noFill();
  stroke(0,255,0);
  ellipse(300,300,100,30);
  
  fill(random(256),random(256),random(256));
  noStroke();
  ellipse(80,200,50,50);
  
  noFill();
  stroke(0,0,255);
  triangle(20,10,120,80,80,350);
  
  fill(255,0,0,128);
  stroke(0,255,0);
  rect(100,100,150,80);
}

心得体会

从思路来看,编程与绘画都是由整体到局部再到整体,首先构思绘制内容,然后大致布局,再一个一个局部绘制,最后做整体调整。

不同之处在于,编程的构图偏客观,需要通过画布的客观大小来定义自己每个图形处于什么位置,估计计算坐标,然后绘制。手绘就是偏向主观,通过主观感觉来判断什么图形应该处于什么位置。例如P1中,我根据老师的代码写,结果就偏右甚至显示不全,但是自己手绘就不存在这样的问题,所以编程画图的思路中,画布大小和图形位置的关系是要理性分析的。

参考文献

1.用代码画画——搞艺术的学编程有啥用?

https://blog.youkuaiyun.com/magicbrushlv/article/details/77922119

2.开始第一幅“码绘”——以编程作画的基本方法

https://blog.youkuaiyun.com/magicbrushlv/article/details/77840565

3.以编程的思想来理解绘画——(一)用“一笔画”表现“过程美”

https://blog.youkuaiyun.com/magicbrushlv/article/details/82634189

4.Processing基本函数绘制图形

https://blog.youkuaiyun.com/hewes/article/details/76358957

内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计实现代,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值