Resizing Images - Computerphile Computerphile English Turkish

Resizing Images - ComputerphileYouTube↗ IA↗(long shot)
Education 360.9K views 8.5K likes 115 dislikes 02 Sep 2016

Computerphile 2.6M subscribers N/A YouTube↗

Click to Play Video

one of the things you can do an image [posting] package is resizing images or

image [posts] paketini yapabileceğiniz şeylerden biri görüntüleri yeniden boyutlandırmak veya

Rotating images and so on and when you do this in any program paint on there photoshop the gimp and so on you

Dönen görüntüler vb. Ve bunu herhangi bir programda yaptığınız zaman orada boyayın ve üzerinde durun photoshop

Have an option to choose

Seçmek için bir seçenek var

How you want it to scale the pixels so do you want it to be [nearest] neighbor or by linear or by cubic?

Pikselleri nasıl ölçeklendirmesini istiyorsun, böylece [en yakın] komşusu mu yoksa doğrusal mı yoksa kübik mi olmasını istiyorsun?

So today, we're going to cover image transformations

Yani bugün, görüntü dönüşümlerini ele alacağız.

But mostly rescaling because it's a simple one, and [we'll] look a bit at nearest neighbor and bilinear and so on let's imagine

Ama çoğunlukla yeniden ölçeklendirme çünkü basit bir şey, ve biz en yakın komşuya biraz bakacağız ve bilinear gibi düşünelim

We've [got] a three by three image. So there's a three by three image

Üçe üç bir görüntü elde ettik. Yani üçe üç görüntü var

It's you know high quality, and I want to scale this image by a factor of let's say three, okay?

Yüksek kaliteyi biliyorsunuz ve bu görüntüyü üç diyelim faktörü ile ölçeklendirmek istiyorum, tamam mı?

which is going to mean a nine by nine image, so cut to a long shot of me going like this frantically, so

ki bu dokuz buçuk görüntü anlamına geliyor, bu yüzden çılgınca bu şekilde gitme uzun bir atış kes,

[this] isn't going to be nine by nine because I've gone that I've gone to were not important. It's not important

[bu] dokuza dokuz olmayacak çünkü gittiğim önemli değildi. Önemli değil

[I] don't know. How many this is I'm counted. It doesn't matter right?

[Bilmiyorum. Kaç tane olduğumu sayıyorum. Önemli değil mi?

I'm scaling this and it extends this way for some indefinite amount of time depending on what my scaling factor is okay?

Bunu ölçeklendiriyorum ve ölçekleme faktörümün tamamlığına bağlı olarak belirli bir süre boyunca bu yolu genişletiyor mu?

Let's leave it at that now

Şimdi onu bırakalım

if I wanted to scale this the obvious [way] to do it is just to multiply these values by some pixel coordinate amount so let's

Bunu yapmak için bariz [yol] 'u ölçeklemek isteseydim, bu değerleri sadece bir piksel koordinat miktarı ile çarpmak olur.

Say x becomes 3x and put them in this image

Diyelim ki x 3x olur ve onları bu görüntüye koyar

And then problem solved right so that would be might you first get how it work let's say it has 120

Ve sonra sorun doğru çözüldü, bu yüzden ilk önce nasıl çalıştığını söyleyelim 120

This is 121. This is you know grayscale

Bu 121. Bu gri tonlamayı biliyorsun.

Let's say 115 and so on we say right well this one stays in this corner because this is naught naught

115 diyelim ve bu yüzden doğru söylüyoruz ki bu köşede kalıyor, çünkü bu boş.

Naught times a scaling factor of 3 is also naught so we say this is going to be 120 okay?

Naught kez 3 ölçekleme faktörü de yok edilir bu yüzden biz bunun 120 olacağını söylüyoruz.

That's my first guess at this 121 is at 1 0

Bu 121'deki ilk tahminim 10'da.

So it becomes 3 0 so naught 1 2 3 and it becomes

Böylece 3 0 olur, 1 2 3 durur ve olur

121 if this is 100 then 100 goes down here and this is

121, bu 100 ise 100 buraya gelir ve bu

110 and that goes over here

110 ve bu buraya gider

And these are all 0 right which is about the worst scaling ever this isn't going to work like this approach

Ve bunların hepsi de 0 doğru, bu da bu yaklaşım gibi işe yaramayacak olan en kötü ölçeklendirme ile ilgili.

It would just look like a black image if you zoomed really far out you might see some colors in it

Gerçekten çok uzaklaşırsanız, içinde bazı renkler görebileceğinizden, siyah görüntü gibi görünür

But really the majority of this image is black and completely useless so this isn't I have scaled this image

Ama bu görüntünün büyük çoğunluğu siyah ve tamamen işe yaramaz, bu yüzden bu görüntüyü ölçeklendirmedim

But not properly right because the problem is that there is no pixel in this image that maps of this one, right?

Fakat doğru olarak doğru değil, çünkü sorun bu görüntüde bununla eşlenen bir piksel olmadığı, değil mi?

This maps are somewhere between [2] pixels, so that's the problem. We need to solve all right, and that's the problem being solved by

Bu haritalar [2] piksel arasında bir yerlerde, bu yüzden sorun bu. Tamamen çözmemiz gerekiyor ve bu sorun çözüldü.

Nearest neighbor or by linear or by cubic so natural fat when we want to scale an image?

Bir görüntüyü ölçeklendirmek istediğimizde en yakın komşu veya lineer veya kübik tarafından doğal yağ?

We do this process in reverse. We create the bigger image and then for each pixel

Bu işlemi tersten yapıyoruz. Her piksel için daha büyük görüntüyü yarattık.

We look back and see where are we supposed to be getting our sample from it is between two pixels

Arkamıza bakıyoruz ve örneğimizi nereden alacağımızı görüyoruz, iki piksel arasında.

We have to think about what we do if it's on and pick a little great. We'll just take that pixel value, so

Açıksa ne yapacağımızı düşünmeli ve biraz daha iyi seçmeliyiz. Sadece bu piksel değerini alacağız.

Instinct here would be that your 1/20 would would be [x] 3 so all those 9 would be 120

Buradaki içgüdü, 1/20'nizin [x] 3 olacağını, böylece tüm bu 9'ların 120 olacağını;

Yes, that's pretty close to newest neighbor. [so] what we do here

Evet, bu en yeni komşuya oldukça yakın. [yani] burada ne yapıyoruz

[we] say well, but this is a value of 1 0 which is going to be a [third] zoom it when we scale back

[iyi] diyoruz, ancak bu 1 0 değerinde, bu da geri döndüğümüzde [üçüncü] bir zoom olacak

So we're closer to 120 than we are to 121 so this becomes

Yani 120'ye 120'den daha yakınız, yani bu olur

120 right this one goes down to 2/3 down here

120 sağa, burası burada 2/3 e iniyor

So it's closer to 121 then it's to 120 so we say that's 121 this probably gets

Bu yüzden 121'e yaklaşıyor, sonra 120'ye gidiyor bu yüzden 121 olduğunu söylüyoruz.

121 and so on this is why when you make your image bigger using nearest neighbor it continues to look pixelated

121 ve bu yüzden, görüntünüzü en yakın komşuyu kullanarak büyütdüğünüzde pikselli görünmeye devam ediyor.

Because that's exactly what it's doing

Çünkü tam olarak yaptığı bu

It's preserving all that information by [just] duplicating a bunch of pixels in these gaps right now

Tüm bu bilgileri, şu anda bu boşluklarda bir sürü pikseli çoğaltarak [sadece] koruyor

That doesn't seem like a very good way [of] [doing] it

Bu [yapmanın] çok iyi bir yolu gibi görünmüyor

But of course that might be what you want to do if you're a pixel artist

Ama tabii ki, eğer bir piksel sanatçısıysanız, yapmak istediğiniz şey olabilir.

Who's doing you know pixel art then scaling it and having it all blur will be edges. [it's] completely useless for you, so

Kim sizi yapıyor piksel sanatını bilir, sonra ölçeklendirir ve tüm bulanıklığını elde etmek kenarlar olur. [bu] tamamen senin için işe yaramaz.

Depending on what your situation is you might want to do that the other thing?

Durumunun ne olduğuna bağlı olarak, diğer şeyi yapmak isteyebilir misin?

Is that strictly speaking then we haven't in?

Bu kesinlikle konuşmadı mı, o zaman içeri girmedik mi?

Essence made up any Data this pixel value is still one of the pixel values that was in this original image

Herhangi bir Veriyi oluşturan öz, bu piksel değeri hala bu orijinal resimde olan piksel değerlerinden biri.

Because you could argue we don't know for sure what's going on between these two pixels it could be anything

Çünkü bu iki piksel arasında neler olup bittiğinden emin olamadığımızı iddia edebilirsiniz.

It's just that the camera isn't high enough resolution to capture it with bilinear interpolation

Sadece kameranın bilinear enterpolasyonla yakalayabilecek kadar yüksek çözünürlükte olmaması

What we're assuming is but the thing that's going on between here is entirely obvious

Aldığımız şey şudur: ama burada olan şey tamamen açık.

It's just a line between the two okay

Sadece ikisi arasında bir çizgi var tamam

So we're going to take an average. Let's have a look at some of these, so we've got a value of

Bu yüzden ortalama alacağız. Bunlardan bazılarına bir göz atalım, bu yüzden bir değerimiz var.

120 and we've got a value of 121 all right

120 ve 121 değerimiz var.

And this is [a] pixel zero

Ve bu [a] piksel sıfırdır

And this is a pixel [one], and we're going to be filling in these two gaps here

Ve bu bir piksel [bir], ve biz bu iki boşluğu dolduruyoruz.

So this one here is going to be a value of 1/3 or [not] [0.3]

Yani buradaki 1 / 3'lük bir değer olacak veya [değil] [0.3]

recurring and this one's going to be at a value of 2/3

tekrarlayan ve bu 2/3 değerinde olacak

Already people can probably see what's going to happen here for this one

Zaten insanlar muhtemelen bunun için ne olacağını görebiliyor

We're going to take 2/3 of this in a furnace and vice versa okay, so the formula is [actually]

Bunun 2 / 3'ünü bir fırında alacağız ve tam tersi, yani formül [aslında]

Essentially a weighted sum of these two things, but the weighting depends on how far along this

Temel olarak bu iki şeyin ağırlıklı bir toplamı, ancak ağırlıklandırma bunun ne kadar uzağa bağlı olduğuna bağlıdır

Distance between them you are okay, so this is what linear interpolation does so in this case. We would say

Aralarındaki mesafe iyisin, yani doğrusal enterpolasyon bu durumda bunu yapar. Söylerdik

120 to 121 isn't a very helpful example

120 ila 121, çok faydalı bir örnek değil

Because we're going to have to do some rounding at some point and then kind [of] defeat

Çünkü bir noktada bazı yuvarlamalar yapmak zorunda kalacağız ve sonra bir tür yenilgiye uğrayacağız.

The whole object of what we're doing, [so] let's let's pick it more obvious one, okay?

Yaptığımız şeyin bütün nesnesi, hadi daha açık seçelim, tamam mı?

so let's say that this pixel value is a hundred and

öyleyse diyelim ki bu piksel değeri yüz ve

This pixel value is two hundred and we are trying to sample the pixel position a third of the way along

Bu piksel değeri iki yüzdür ve piksel konumunu yolun üçte birini örneklemeye çalışıyoruz

This is very straightforward [so] all we have to do is we have to do 2/3

Bu çok basit [yani] tek yapmamız gereken 2/3 yapmamız gereken

times by 100 Plus

200 all right and if we sum them up, what do we get this is 66? Ish, okay?

200 tamam ve eğer onları özetlersek, bunun ne olduğunu görüyoruz 66? Ish, tamam mı?

This is also coincident Lis 66 ish, and so we add them up and we get about 132 or something like that

Bu aynı zamanda tesadüf Lis 66 ish, ve böylece onları ekliyoruz ve yaklaşık 132 ya da onun gibi bir şey alıyoruz.

well We've got a [hundred] Thirty-three [the] coding don't we we get a value

iyi Bir [yüz] Otuz üç [kod] sahibiz, biz bir değer almıyor muyuz?

Exactly 1/3 of the way along from the scale of 100 to 200 okay, so that's linear interpolation

Tam olarak 100'den 200'e kadar olan yolun 1 / 3'ü tamam, yani bu doğrusal enterpolasyon.

so the only the only thing we have to worry about now [is] how do we extend this to two dimensions and

Şimdi endişelenmemiz gereken tek şey şu ki, bunu iki boyuta nasıl genişleteceğiz?

Again not very it's not very challenging so if I just take away this piece of paper

Yine de pek zor değil, bu yüzden bu kağıdı alıp götürürsem

Instead [of] having two endpoints. We now have four okay, so we have one here. We have one here

Bunun yerine iki uç noktaya sahip olmak. Şimdi dört tane var tamam, yani burada bir tane var. Burada bir tane var

We have one here and we have one here now. This is X1 Y1, and this is X2

Burada bir tane var ve şimdi bir tane var. Bu X1 Y1 ve bu X2

Y1, and this is x1 Y2 and X2

Y1 ve bu x1 Y2 ve X2'dir.

Y2, [and] we're trying to find some position here x y and more often but not if you're scaling in image

Y2, [ve] burada xy ve daha sık bir yer bulmaya çalışıyoruz ancak görüntüde ölçeklendirme yapıyorsanız

Or doing a rotation or something along these lines you're going [to] find yourself sitting somewhere in between two pixels. What we do is

Ya da bu çizgiler boyunca bir rotasyon ya da bir şey yaparak kendinizi iki piksel arasında bir yerde otururken bulabilirsiniz. Ne yapıyoruz

We first interpolate these intermediate values here okay, so we do what we just did along between this line?

Öncelikle bu ara değerleri buraya enterpolasyon ediyoruz. Öyleyse bu satır arasında az önce yaptığımız şeyi mi yaptık?

So we find this is just about 40% is it so we we do the formula that [says] what's the value?

Yani bunun sadece% 40 civarında olduğunu bulduk, öyleyse değeri belirten formül diyoruz.

40% along from here to here okay, and we get some value here, and then we do the same here

Buradan% 40'a kadar tamam tamam, ve burada biraz değer kazandık, ve sonra da aynısını burada yapıyoruz.

So what's 40% along here?

Peki buralarda% 40 nedir?

We do some value here, and then we interpolate between these two values to get this final value output, and that's how we can

Burada biraz değer yapıyoruz ve sonra bu son değer çıktısını elde etmek için bu iki değer arasında enterpolasyon yapıyoruz, ve bu şekilde yapabiliriz

Map between [four] values to some arbitrary position in amongst them and that's basically what happens when you click bilinear?

[Dört] değerler arasında aralarında rastgele bir konum bulunur ve temelde bilinear'ı tıklattığınızda ne olur?

When you want to resample you image, so any kind of scaling any kind of?

Resminizi yeniden örneklemek istediğinizde, herhangi bir çeşit ölçekleme?

Anything that is going to involve a scale

Ölçeği olacak herhangi bir şey

It doesn't fit exactly on the pixels from the original image and remember we're doing this in reverse

Orijinal görüntüdeki piksellere tam olarak uymuyor ve bunu tersten yaptığımızı hatırlıyoruz.

So we go from our new image back

Böylece yeni imajımızdan geri dönüyoruz

We look back into our original image and find out where we need to get the color form so back to our original

Orijinal imajımıza tekrar bakıyoruz ve renk formunu nereden alacağımızı bulup orijinalimize geri dönüyoruz.

Example this x1 Y1 is going to be 120 and x2 y1 is going to be

Örnek bu x1 Y1 120 olacak ve x2 y1 olacak

121 and these two are going [to] be 100 110 and

121 ve bu ikisi 100 110 olacak

We can have any position in between these pixels depending on what we're doing tor image

Görüntüde yaptığımız işe bağlı olarak bu pikseller arasında herhangi bir pozisyonda olabiliriz

We're making it a factor of 10 larger

Onu 10 kat daha büyük hale getiriyoruz

Then is going to be 10 increments between these things if we're making it smaller there might be fewer than [1]

O zaman bu şeyler arasında 10'ar artış olacak, eğer onu küçültürsek [1] den daha az olabilir.

You know it might it you know

Biliyor olabilirsin, biliyor olabilirsin.

Does that work as well? Yeah, so if you'll make it?

Bu da işe yarıyor mu? Evet, öyleyse başaracak mısın?

So actually the scaling you're doing makes no difference right if the scaling is smaller than 1 then you're still going to have pixel values

Bu yüzden aslında yaptığınız ölçeklendirme, ölçeklendirme 1'den küçükse doğru bir fark yaratmaz, o zaman hala piksel değerlerine sahip olacaksınız.

That sit in between the original pixels. It's just not going to be very many of them anymore because you're actually making the image smaller

Orijinal piksellerin arasında oturmak. Artık pek fazla olmayacak çünkü görüntüyü küçültüyorsun.

And the same with a rotation all that changes is the transform we used to get from these positions in our

Değişen her şey bir rotasyonla aynıdır, bu konumlardan almak için kullandığımız dönüşümdür.

Destination image to these positions in our source image the only other thing to remember about linear interpolation

Kaynak imajımızda bu konumlara ait hedef imajı, doğrusal enterpolasyon hakkında hatırlanması gereken tek şey

Is that it is just that linear if we looked at a row of pixels?

Bir sıra piksele bakarsak, sadece o kadar doğrusal mı?

sidon, then you might get a value if this is 0

sidon, o zaman bu 0 ise bir değer alabilirsiniz

You might get a value here and here and here and [here] and [here] and [here] like this, right?

Burada ve burada ve burada ve [burada] ve [burada] ve [burada] böyle bir değer elde edebilirsiniz, değil mi?

So this could be our image different intensity levels right so just for a grayscale image

Yani bu bizim görsel farklı yoğunluk seviyelerimiz olabilir.

We might have something that looks a bit like this if we look [sidon]

[Sidon] 'a bakarsak, biraz buna benzeyen bir şeyimiz olabilir.

Now if we were just scaling 1 to 1 we're going [to] be getting [this] value and getting this value

Şimdi eğer sadece 1'e 1 ölçeklendiriyorsak, bu değeri almaya ve bu değeri elde etmeye gidiyoruz.

And that's fine if we're scaling somewhere refer it away along, or 2/3 of way between this one and this one

Ve eğer bir yere ölçeklendiriyorsak, bunu uzağa ya da bununla bunun arasında 2/3 oranında yönlendirirsek sorun olmaz.

We're going to need to interpolate these values which Corresponds to finding positions along these lines here

Bu satırlar boyunca konum bulmak için karşılık gelen bu değerleri enterpolasyona ihtiyacımız olacak.

And this is what linear interpolation is doing?

Ve bu doğrusal enterpolasyon ne yapıyor?

It's fitting straight lines between these objects and finding the positions

Bu nesneler arasına düz çizgiler sığdırıyor ve konumları buluyor

Along it that looks like a very pointed feature that you've just done with those lines so is it

Boyunca, sadece bu çizgilerle yaptığınız çok sivri bir özellik gibi görünüyor.

I'm guessing that we can start drawing curves right that's right

Doğru eğrileri çizmeye başlayabileceğimizi tahmin ediyorum

[so] the problem [with] by linear interpolation

[yani] problem [ile] doğrusal enterpolasyon ile

And it's not much of a problem if you're just let's say we stomping by a factor of 2 or something so vit you know

Diyelim ki 2 faktörü ya da bildiğiniz bir şeyle uğradığımızı varsayalım.

You're only creating one intermediate

Sadece bir tane ara yaratıyorsun

Value it comes down to what our assumptions are about what's happening in the image between these points it might be more

Değer, bu noktalar arasındaki görüntüde neler olduğuna dair varsayımlarımızın ne olduğuna bağlı olarak daha fazla olabilir

Reasonable to say well, maybe given this underlying Data member these two are part of it it might be something a lot more like

İyi söylemesi makul, belki de bu temel veri üyesine verildiğinde, bu ikisi onun bir parçası.

That you know a bit smoother so that if we sample here, it's closer to this one

Biraz daha pürüzsüz olduğunu biliyorsun, eğer burada örnek alırsak, buna daha yakın olacak

But it is to this one, and so on okay. That's what bicubic interpolation does but that's what if in video

Ama bu buna ve böyle devam ediyor. Bikübik enterpolasyonun yaptığı şey budur, ancak videoda ise

That's 66 ish, okay. [this] is

Bu 66 saat, tamam. [bu

66 again rights, we've done what we get 120 okay? So [420] something recurring

Yine 66 hak, 120 aldığımız şeyi yaptık tamam mı? [420] tekrarlayan bir şey

Yeah, let's start that again. So we go, so this is 60 60, okay. This is also

Evet, tekrar başlayalım. Öyleyse gidiyoruz, yani bu 60 60, tamam. Bu ayrıca

Similar videos:

Bicubic Interpolation - Computerphile
Computerphile
164.1K views 4.1K likes 33 dislikes 23 Nov 201664% match

Space Carving - Computerphile
Computerphile
240.6K views 4.1K likes 45 dislikes 12 May 201639% match

CNN: Convolutional Neural Networks Explained - Computerphile
Computerphile
718K views 11.2K likes 142 dislikes 20 May 201639% match

Password Cracking - Computerphile
Computerphile
3M views 60.3K likes 1K dislikes 13 Jul 201638% match

How to Choose a Password - Computerphile
Computerphile
1M views 21.1K likes 235 dislikes 20 Jul 201636% match

How Blurs & Filters Work - Computerphile
Computerphile
423.4K views 8.8K likes 120 dislikes 02 Oct 201536% match

Finding the Edges (Sobel Operator) - Computerphile
Computerphile
359.3K views 6.9K likes 50 dislikes 04 Nov 201535% match

Dijkstra's Algorithm - Computerphile
Computerphile
1.1M views 23.1K likes 392 dislikes 04 Jan 201734% match

Onion Routing - Computerphile
Computerphile
1.1M views 24.4K likes 255 dislikes 31 May 201734% match

Maze Solving - Computerphile
Computerphile
1M views 21.8K likes 295 dislikes 24 Feb 201734% match

ALGOL 60 at 60 - Computerphile
Computerphile
73.7K views 3.1K likes 20 dislikes 04 Jun 202033% match

Buffer Overflow Attack - Computerphile
Computerphile
1.5M views 32.2K likes 320 dislikes 02 Mar 201632% match

PDF, What is it FOR? - Computerphile
Computerphile
409K views 12K likes 144 dislikes 16 Sep 201632% match

Deep Dream (Google) - Computerphile
Computerphile
618.9K views 13K likes 127 dislikes 26 Aug 201632% match

Why C is so Influential - Computerphile
Computerphile
1.6M views 22.5K likes 1.6K dislikes 25 Aug 201732% match

SHA: Secure Hashing Algorithm - Computerphile
Computerphile
874.6K views 14.8K likes 394 dislikes 11 Apr 201732% match

How Password Managers Work - Computerphile
Computerphile
368.2K views 11.1K likes 107 dislikes 01 May 201932% match

Lambda Calculus - Computerphile
Computerphile
803.9K views 19.5K likes 567 dislikes 27 Jan 201731% match

End to End Encryption (E2EE) - Computerphile
Computerphile
450.6K views 11.2K likes 168 dislikes 30 Mar 201731% match

Secrets Hidden in Images (Steganography) - Computerphile
Computerphile
1.1M views 22K likes 242 dislikes 04 Aug 201531% match

Physics of Computer Chips - Computerphile
Computerphile
552.2K views 13.7K likes 207 dislikes 19 Aug 201631% match

50 Years of Computer Science: Professor Brailsford Q&A - Computerphile
Computerphile
81.3K views 3K likes 17 dislikes 22 Apr 202031% match

Inside a Neural Network - Computerphile
Computerphile
347.3K views 6.4K likes 67 dislikes 30 Jun 201630% match

Computing Limit - Computerphile
Computerphile
358.4K views 11.3K likes 443 dislikes 03 Nov 201730% match

Where GREP Came From - Computerphile
Computerphile
644.1K views 23.4K likes 152 dislikes 06 Jul 201830% match

Parsing Explained - Computerphile
Computerphile
134.2K views 3.6K likes 45 dislikes 13 Nov 201929% match

Have You Been Pwned? - Computerphile
Computerphile
430.1K views 13.4K likes 125 dislikes 12 Mar 201929% match

Deep Learning - Computerphile
Computerphile
392.2K views 6.1K likes 280 dislikes 19 Apr 201629% match

Slow Loris Attack - Computerphile
Computerphile
962.6K views 31.1K likes 265 dislikes 09 Nov 201629% match

Wana Decrypt0r (Wanacry Ransomware) - Computerphile
Computerphile
1.4M views 30.1K likes 640 dislikes 15 May 201728% match

Settings Privacy About Contact Donate