图像处理设计

本文由Fotor小编倾情撰写、整理。

欢迎移步Fotor国内版fotor，Fotor-免费的一站式平面设计、图片编辑和拼图工具，几分钟快速完成平面设计与图像处理！

-------------------------------------------------------------------------------------------

设计是为了达成某一目的而对元素进行的有序排列。

做设计的时候我们总需要从某一个地方开始下手，而背景正是我们设计的源头。纹理和颜色帮助我们塑造层次感和对比度，使我们的设计从诸多作品中脱颖而出。拼接图片可以为我们提供摆放文字的空间来传递信息。正确地使用背景可以为我们的设计塑造正确地氛围，还为我们文字提供视觉支撑。

选择不同的背景图片可以完完全全地改变你的设计，也可以使你的设计更加完整。

颜色可以用来吸引观众，同样地，图片也不单单是一个摆设。在背景上正确地使用图片，也可以打造出很好的效果。

接下来，我们将告诉你如何用正确地使用如纹理、颜色、渐变等技巧打造背景图片。

1. 纯色背景

回归本质。用单色的背景是十分有效的打造简单背景的方式。使用这个方法的时候，最重要的是记住你想要打造的感觉是什么样的。一组很深的和很浅的颜色或是两个相反的颜色，可以令人印象深刻。而一组浅色的组合则可以打造更柔和、平静的效果。

用更浅一些的颜色作为背景并不意味着牺牲文字的清晰度。为了充分利用浅色背景，可以使用比较深的字体颜色，比如深灰色，来增加对比度。

提示: 利用同一色系的两种不同的颜色（这里我们使用了两种浅色）打造一个和谐的背景，也达到了视觉效果的统一。

2. 纯色背景，高对比度

色调分离可以为你的色彩设计增加冲击力，使用对比度较大的颜色可以使你的设计更加引人注目。下图的设计(一般被称为扁平化设计)，适合用来做广告上的内容，比如凸显某一个局部。

在深色背景上使用亮丽的颜色可以很好的吸引人们的注意力。深色的背景使浅色的内容更加突出。在图标和按钮上使用更亮的颜色，可以使人们更想去点击它们。

除此之外，你还可以同时使用两种明亮的颜色打造出一种现代化的设计风格。选择两种相反的颜色来保证强烈的对比度。

提示: 不要选择太多颜色。试着选择两种以内的颜色来打造最佳的效果，以免破坏整体的视觉效果。

3. 纹理

纹理的关键就是只有有限的几个颜色和简单的组合。你肯定不希望背景中的纹理夺走其他内容的注意力。所以，纹理要尽量小一些以不至于吸引其他内容的注意力。

可以使用纹理打造纸或是毛坯的效果。就像上面的这一张背景，就是循环纸的效果。

这种特效很适合在制作电子邀请函(放在邮件中或是社交媒体中)。纹理可以使图片增加真实感，就像可以摸到的一样。

提示: 如果你想使你的纹理看起来更加自然，不妨使用手写或是像刷子一样的字体。纹理的目的是打造一种层次感的效果，增加文字和背景之前的空间。

4. 渐变

渐变很适合应用在数字产品或是打印成品上。渐变的美妙之处在于它可以结合几乎所有的颜色，无论是中性的或是鲜艳的颜色。渐变永远都是一个很好的选择。

与纯色背景相比，渐变色是一种更微妙的选择。放射性渐变和线性渐变，可以在你的设计上打造出完全不同的效果。渐变的方向直接影响观众注意的位置。

设计的一个重要的目的就是通过颜色、文字和其他元素提供与交流与传递信息。

上图是一个很好地使用渐变打造的设计。在渐变的背景上只使用一种颜色可以牢牢地抓住观众的眼球，还给设计留下了很多的空间。

5. 使用一张图片

在背景中使用一张图片可以很好地吸引观众，还可以轻松地将背景和文字联系起来。当放置文字和其他元素时，要时刻记得图片的细节。

图片上的空白空间适合用来放置文字。记住，所有的设计都是深思熟虑的，不要让你的文字随意地摆放在图片上。对图片适当的进行剪裁，直到你找到最适合用来放置文字的位置。

6. 使用图形

图片的细节越丰富，你在上面放置的元素就要越简洁。如果你的背景和你的前景一样很丰富的话，你的视觉层次就会很乱。这样会使与观众的交流更加麻烦。

一个可以避免这一点的方法就是在文字下方使用图形来保证文字的可阅读性。对于那些在图片上直接放置文字不那么自信的人，这个方法很受欢迎。

提示: 使用与背景图片相近的颜色作为图形颜色，这样可以保证文字清晰可见。图形在功能和排版上都可以做出贡献。

7. 透明度

图像设计中我们可以做很多事，不过有的时候最好的解决办法恰恰是最简单的那一个。增加背景的透明图，降低背景的细节，可以使文字更易于阅读。在使用这一方法的时候，最容易出现的问题就是调的太过了。

调整透明度使文字更便于阅读的同时也要主要不要使背景完全失去风采。

提示: 使用蒙太奇使你的设计提示一大步——再放置一次你在背景中使用的图片，并提高它的透明度。一定要注意提高亮度保持文字的可阅读性。

8. 模糊

在使用图片作为背景时，经常会出现图片细节过于丰富致使无处放置文字的情况。有两种常见的方法你可以使用:一是在图片上再覆盖一个图层，二是添加模糊效果。根据具体情况使用这两种方法。

模糊是在背景上强调文字的很好的方法。模糊的关键是保留原有的纹理和细节，所以尽量选择有着有趣的背景图片。在添加了模糊的特效后，你可以试着对图片进行一些有趣的剪裁，为文字提供更好的放置位置。

9. 加入一个彩色图层

另一个降低背景细节的方法就是插入一个图层。你可以使用很多方法加入一个新图层——加入一个简单的黑色或是白色的图层，调高他的透明度使文字更易于阅读，还可以增加对比度。

或是加入一个彩色的图层，这个方法可以很好地融合品牌的颜色。选择图片时注意颜色一定要有细微的差别。

仔细地观察背景图片的排版并进行剪裁。保证文字放置在正确的位置（就像上图中的海浪），在较暗的背景上放置比较亮的文字。

10. 留白

排版是设计中最被看中的基础元素之一。设计中元素的排版对读者的阅读体验有很大的影响。所以，在设计中可以充分利用排版的优势。

上图是对留白方法的很好的应用。留白区域周围的物体吸引人们的注意力到文字上，黑色和白色的应用也可以增加可读性。

11. 图案

在背景中应用图案很有趣。但是与其他许多的方法类似，一定要注意你的排列方法。确保图案不会转移观众的注意力。图案可以用来放置文字，也可以将文字拼出图案的形状。几何图案可以塑造线条，使文字的排版更加简单。

12. 插画

插画可以提供交互式的体验。插画的另一个好处就是可以更好地和文字匹配。对于更年轻的观众来时，插画的设计更具趣味性，与其他设计方法相比也更清晰。

插画很容易就会喧兵夺主。为了避免这一点，在放置时可以使用三分法。充分考虑层次和结构至关重要。

下图中的文字置于中心的位置，使信息能够更好地传递，尽管图片中插画站了更多的空间。

13. 空白

永远不要破坏简单的空白空间。如果你感觉你的设计过于拥挤或是元素太多了，那就把它改的简单点儿吧。

我们总是为了填满空间而增加元素。把空白空间视为一个提高质感和吸引注意力的工具。作为目前的流行趋势，极简设计要求我们在其他元素上做出更多努力。

14. 使用网格

使用网格打造一个可以将元素分开放置的精美排版。这是一个很好的方法，也为我们提供了发挥想象力的机会。

使用图片中的颜色填满排版中的剩余空间是聪明的做法。再配上与背景色相反的字体颜色。

上图使用了柔和的配色，配上浅灰色填满空格子。这样放置文字的地方就会更加突出。

设计时可以先不用考虑文字。使用相似的图片共同打造一个网格设计。对每张图片进行剪裁使它们可以更好地融入到整个图片中。

图片的魅力在于它们可以撑起你的整个设计。我们在设计时不单单是拖过来一张又一张的图片而是利用空间、图片的排列组合，打造更精美的排版。

无论是纯色或是模糊或是增加透明度或是其他都只是一个概念，都需要你来在设计中实际应用它们，并针对不同的情况进行适当的调整。

我们希望上面这些设计方法可以给你提供一些新想法，使你的设计更上一层楼。和往常一样——祝君设计愉快！

-------------------------------------------------------------------------------------------

更多设计素材、创作灵感请访问Fotor国内版 fotor

Fotor-免费的一站式平面设计、图片编辑和拼图工具，几分钟快速完成平面设计与图像处理！

本文由Fotor小编倾情撰写、整理。如需转载，可直接评论或邮件至info@fotor。

简介

人脸检测与识别是当前模式识别领域的一个前沿课题，人脸识别技术就是利用计算机技术，根据数据库的人脸图像，分析提取出有效的识别信息，用来“辨认”身份的技术。人脸识别是模式识别研究的一个热点, 它在身份鉴别、信用卡识别, 护照的核对及监控系统等方面有着广泛的应用。人脸图像由于受光照、表情以及姿态等因素的影响, 使得同一个人的脸像矩阵差异也比较大。因此, 进行人脸识别时, 所选取的特征必须对上述因素具备一定的稳定性和不变性. 主元分析(PCA)方法是一种有效的特征提取方法,将人脸图像表示成一个列向量, 经过PCA 变换后, 不仅可以有效地降低其维数, 同时又能保留所需要的识别信息, 这些信息对光照、表情以及姿态具有一定的不敏感性. 在获得有效的特征向量后, 关键问题是设计具有良好分类能力和鲁棒性的分类器. 支持向量机(SVM ) 模式识别方法,兼顾训练误差和泛化能力, 在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。

本此课程设计基于MATLAB，将检测与识别分开进行。其中检测部分使用实验指导书上的肤色模型算法进行，不进行赘述。识别部分采用PCA算法对检测出的人脸图像进行特征提取, 再利用最邻近距离分类法对特征向量进行分类识别，将在后文具体表述。仿真结果验证了本算法是有效的。

人脸检测

源码

img=imread('D:\std_test_images\face3.jpg');

figure;

imshow(img);

R=img(:,:,1);

G=img(:,:,2);

B=img(:,:,3);

faceRgn1=(R>95)&(G>40)&(B>20)&max(img,[],3)-min(img,[],3)>15&abs(R-G)>15&R>B;

imshow(faceRgn1);

r=double(R)./double(sum(img,3));

g=double(G)./double(sum(img,3));

Y=0.3*R+0.59*G+0.11*B;

faceRgn2=(r>0.333)&(r<0.664)&(g>0.246)&(g<0.398)&(r>g)&g>=0.5-0.5*r;

imshow(faceRgn2);

Q=faceRgn1.*faceRgn2;

P=bwlabel(Q,8);

BB=regionprops(P,'Boundingbox');

BB1=struct2cell(BB);

BB2=cell2mat(BB1);

[s1 s2]=size(BB2);

mx=0;

for k=3:4:s2-1

p=BB2(1,k)*BB2(1,k+1);

if p>mx&(BB2(1,k)/BB2(1,k+1))<1.8

mx=p;

j=k;

hold on;

rectangle('position',[BB2(1,j-2),BB2(1,j-1),BB2(1,j),BB2(1,j+1)],'linewidth',3,'edgecolor','r');

hold off;

end

2.处理过程

人脸识别

算法简述

在Matlab 2012a版本中添加了对PCA算法的支持，由于水平有限我选择直接调用。在本次课程设计中，PCA算法又分为样本训练和人脸识别两个过程，在样本训练阶段，将样本库（每组15张共15组人脸图像，对每组前11张进行特征提取用于训练，后4张用于检测）中的人脸图像转换为特征向量表示，并投影到PCA子空间，最终将这些向量数据保存到训练数据库中。而在识别阶段，同样将待识别的人脸图像使用PCA子空间的向量表示，通过计算待识别图像的向量与样本中的向量之间的距离，寻找其中最相近的人脸图像，作为识别结果。

clear

clc

% 样本数量15*11

people_count=15;

face_count_per_people=11;

% 训练比率,设置为75%识别正确率可达100%

training_ratio=.75;

% 能量

energy=90;

training_count=floor(face_count_per_people*training_ratio);

training_samples=[];

path_mask='D:\\pca_face_rec\\%03d\\%02d.jpg';

% 训练

for i=1:people_count

for j=1:training_count

img=im2double(imread(sprintf(path_mask,i,j)));

img=imresize(img,[10 10]); % 归一化至50*50

if ndims(img)==3

img=rgb2gray(img);

training_samples=[training_samples;img(:)'];

mu=mean(training_samples);

[coeff,scores,~,~,explained]=pca(training_samples);

idx=find(cumsum(explained)>energy,1);

coeff=coeff(:,1:idx);

scores=scores(:,1:idx);

% 测试

acc_count=0;

for j=training_count+1:face_count_per_people

img=imresize(img,[10 10]);

score=(img(:)'-mu)/coeff';

[~,idx]=min(sum((scores-repmat(score,size(scores,1),1)).^2,2));

if ceil(idx/training_count)==i

acc_count=acc_count+1;

test_count=(people_count*(face_count_per_people-training_count));

acc_ratio=acc_count/test_count;

fprintf('测试样本数量:%d,正确识别率:%2.2f%%',test_count,acc_ratio*100)

仿真结果及说明

样本库举例：

结果为：测试样本数量:45,正确识别率:100.00%

总结

人脸识别是一个多学科领域的挑战性难题，近30年来人脸识别的研究虽然取得了巨大的进步，但与人类的感知能力相距甚远。人脸识别还涉及到很多理论和技术问题，这一技术的不断进步还需要研究者们的不断创新和努力。本次课程设计让我对人脸识别算法有了初步的认识，了解到了PCA算法，K-L变换及特征向量的提取，最近邻分类器等人脸识别所需要的知识，为我的进一步学习指明了方向。