摩尔纹现象

对于摄影初学而言,最常碰到的摄影问题之一就是在拍摄比如:建筑装饰、纺织物、显示屏之类的密集物体时,常常会看见一些影响样张的彩色条纹,这激素所谓的摩尔纹,现在就让我们走进科学,学习一下如何消除摩尔纹这令人讨厌的小东西吧!

 摩尔纹

 摩尔纹

  摩尔纹比较常见的解释就是在一些数码相机、扫描仪等设备的感光元件上,在拍摄、扫描的过程中受到了高频干扰,而在图片上出现了彩色和形状不规律的条纹。原理就是在两个频率接近的两个频率接近的等幅正弦波叠加,合成信号的幅度将按照两个频率之差发生变化。如果在感光元件里面像素的空间频率与影像中条纹的空间频率接近,就很容易会产生摩尔纹。如果想要在硬件层面上避免这些摩尔纹,就应该要使用镜头分辨率远小于感光元件的空间频率即可避免摩尔纹的产生。

 如何避免摩尔纹

 如何避免摩尔纹

  但是并不是市面上所有相机都有这么大的单位像素面积啊,所以一些采用拜耳阵列传感器的中低端相机往往都会选择在传感器前加入一块低通滤镜来减弱摩尔纹的产生。不过有利有弊,低通滤镜加入会影响细节成像,虽然在单反上的影响并不是相当严重,但数毛党和锐度党就是心里一万个不爽啊。

  除此之外,也有部分相机生产商也在开发一些可以避免这种摩尔纹产生的感光元件,例如适马的 X3 和富士的 X - Trans 传感器。关于这点也曾在小编的另一篇文章《探究索尼新型 RGBW 传感器的 “W” 》当中提及过,当时由于稍微跑了点题而没有介绍,正好这里介绍一下。

避免摩尔纹产生

避免摩尔纹产生

摩尔纹产生

摩尔纹产生

  适马的 X3 传感器与传统拜耳阵列传感器结构完全不同,传统的拜耳阵列传感器为一层的 RGBG 滤片设计,而适马的 X3 则是与胶卷的三层结构设计类似,在传感器上方铺满 BGR 三层像素叠加而成,就像是胶卷上面的三层乳剂一样,只不过胶卷是没有像素点这种东西的。X3 感光元件的每一个像素都能够感应到 RGB 三种色彩,从而在同一个像素上就完成了色彩的匹配数据,而且不再需要像拜耳阵列一样使用了 “猜色”(反马赛克运算) 技术才能填上临近像素的色彩。由于直接省略了 “猜色” 的过程,所以适马 X3 对于像素色彩之间干扰就等于没有了,而且对于色彩的还原准确性来说会更好一些。然而也因为使用了三块像素滤片叠加的原因,对于光线的衰减也是一个问题,特别是在最底层的红色像素滤片会比较吃亏,不过从众网友拍摄直出的色彩来说好像问题也并不大,而且很多人在拍摄之后会选择后期处理,色彩的调校就看你自己的喜好了。

 X - Trans 传感器

 X - Trans 传感器

 X - Trans

 X - Trans 

  另一种就是富士开发的 X - Trans 传感器,它与基于传统的拜耳阵列传感器上革新的传感器,传统拜耳传感器为 2 2 的 RGBG 排列,而 X - Trans 传感器则是以 6 6 的像素排列。其中 X - Trans传感器的 RGB 像素滤片排列顺序是从胶片的银盐颗粒无序性上得到的启发,对传感器的色彩滤镜阵列进行修改,添加了模拟的无序性排列。说是无序性,其实还是不能看出一定的规则顺序的,只不过 6 6 这种大间隔有规则方向排列的重复频率相比起拜耳阵列确实要小得多,所以这种阵列方式也能够在很大程度上减轻了摩尔纹的产生。而 X - Trans 传感器当中绿色的滤片会比较多些,官方说法是人眼对绿色最敏感,所以增加多点绿色,让色彩更真实一些(就是更艳丽,更贴合人眼观感)。

  上面介绍的两种新型传感器都直接取消了低通滤镜,使得样张的细节表现更加锐利,由于新技术的应用也可以减轻甚至消除摩尔纹的产生。

佳能 70D 摩尔纹

佳能 70D 摩尔纹

佳能 70D 摩尔纹

摩尔纹技巧

  以佳能 70D 为例,就算加入了低通滤镜,当拍摄屏幕的时候还是会有比较明显的摩尔纹的,那是因为屏幕上面的 RGB 背光像素点更加统一重复和密集。要解决也是可以的,就是稍微的脱焦,让焦点稍微不那么准确的对在像素点上,就可以减轻这种摩尔纹情况,不过当然情况就是样张细节不够清晰了,不过从观感而言会稍微比满屏摩尔纹要好那么一点点。而这个技巧不限于相机,对于手机来说也是有效的,特别是支持手动对焦的手机会更好用一些。

  除了这么折腾的方式之外,另外还可以通过改变相机的角度,倾斜相机来减轻摩尔纹。还有改变一下相机的位置,多走几个位观察摩尔纹,哪个位置摩尔纹少而又能接受这个取景构图的就可以拍下来。

  说了这么多,其实对于土豪们来说,最简单的方法就是购买无低通滤镜新型相机或者全画幅相机来避免受到摩尔纹的摧残咯!

### 关于YOLO算法与摩尔现象 YOLO(You Only Look Once)是一种用于目标检测的先进深度学习算法,其核心机制包括残差块、边界框回归、交并比IoU以及非极大值抑制等多种技术[^1]。然而,在实际应用中,图像中的某些特定模式可能会干扰模型的表现,比如摩尔现象。 #### 摩尔现象简介 摩尔是由两个周期性结构叠加而产生的视觉干涉效应。这种现象通常发生在高分辨率成像过程中,尤其是在处理具有精细理或重复图案的对象时。对于计算机视觉系统而言,摩尔可能被误认为是物体的一部分,从而影响目标检测的准确性。 #### YOLO算法与摩尔的关系 尽管YOLO并未专门针对摩尔设计解决方案,但由于其强大的特征提取能力,可以通过调整网络架构和训练策略间接缓解这一问题。例如: - **数据增强**:通过在训练阶段引入含有摩尔的样本,使模型能够更好地泛化到此类场景下[^2]。 - **预处理滤波器**:利用低通滤波或其他信号处理手段去除原始图片中的高频成分,减少摩尔的影响[^3]。 以下是基于PyTorch实现的一个简单示例代码片段展示如何加载YOLOv5模型并对输入图像进行基本的数据增强操作: ```python import torch from PIL import ImageFilter, ImageEnhance def load_model(): model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # 加载官方版本YOLOR return model def preprocess_image(image): blurred_image = image.filter(ImageFilter.GaussianBlur(radius=2)) # 高斯模糊降低噪声 enhanced_image = ImageEnhance.Contrast(blurred_image).enhance(1.5) # 增强对比度改善细节可见性 return enhanced_image ``` 上述代码展示了如何使用Gaussian Blur平滑掉一些不必要的细节数字扰,并适当提高整体对比度以便让后续的目标更容易识别出来。 #### 解决方案总结 虽然目前并没有直接针对YOLO算法解决摩尔的具体研究发表,但是通过合理的前处理措施加上充分考虑实际情况下的多样化标注样本来扩充训练集不失为一种有效途径之一。
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