Практическая работа обработка графической информации. Почему приходится корректировать изображение

Необычные явления Мониторинг природы Авторские разделы Открываем историю Экстремальный мир Инфо-справка Файловый архив Дискуссии Услуги Инфофронт Информация НФ ОКО Экспорт RSS Полезные ссылки

Важные темы

По материалам книги "Спутниковая метеорология", М.А.Герман

Дешифрирование снимков облачности

Возможность опознавания облаков на телевизионных снимках определяется разрешающей способностью аппаратуры. Очевидно, что чем меньше величина разрешающего элемента на местности, тем с большими подробностями видны заснятые объекты и точнее их дешифрирование. Отдельные облака меньшего размера, чем элемент разложения на местности, не различаются, а облачные поля, состоящие из облаков такого размера, выглядят на ТВ снимках в виде однородной светлой пелены, подобно тонким облакам той или иной яркости.
Фотоснимки облачности, получаемые со спутников, выгодно отличаются от наземных наблюдений тем, что дают целостную картину распределения облаков над обширными территориями, соизмеримыми с основными синоптическими объектами. Это позволяет по характеру рисунка изображения на снимках изучать неоднородности облачного покрова различного масштаба, многие, из которых для дискретных наземных наблюдений являются практически неуловимыми. При изучении возникает естественное желание: идентифицировать и классифицировать облачные образования, отображаемые на снимках, согласно классификации облаков, принятой при наземных наблюдениях. С одной стороны и, с другой — идентифицировать и классифицировать целые облачные системы, покрывающие большие площади земной поверхности.

Рисунок изображения облачности

Текстура изображения. Под текстурой понимается рисунок мелких деталей изображения, создаваемый различием яркостей отдельных элементов, размеры которых сравнимы с разрешающей способностью аппаратуры. В этом случае на снимке воспроизводятся только самые основные черты объекта, по которым можно судить, является ли оно округлым или вытянутым, светлее (холоднее), чем окружающий фон, или наоборот. Различают три основных типа текстуры: матовая, зернистая и волокнистая.
Матовая текстура характеризуется однородным тоном изображения. Телевизионные снимки этой текстуры отличаются между собой только по яркости. Матовая текстура свойственна изображениям открытых участков водной поверхности, суши в районах достаточного увлажнения, засушливых участков суши, сплошных льдов и снежного покрова, тумана и слоистообразной облачности.
Зернистая текстура — скопление пятен (зерен) светлого пли темного на соответствующем фоне. Мелкие зерна обычно характерны для изображений кучевых облаков, при-размеры зерен в этом случае настолько малы, что детали и формы отдельных облаков полностью скрадываются. Слоисто-кучевые облака выглядят аналогично, только зерна в этом случае темные на светлом фоне. Под зернами здесь следует понимать просветы в облаках. Однако наличие темных зерен на светлом фоне не является гарантией того, что изображены слоисто кучевые облака. Это могут быть также кучевые облака геометрические особенности больших участков изображения, создаваемых сотнями элементов, размеры которых примерно на два-три порядка больше разрешающей способности системы.
К крупномасштабным облачным системам относятся: зоны фронтальной облачности, облачные вихри циклонов, облачность струйных течений, облачные вихри тропических циклонов, облачность внутритропической зоны конвергенции, облачность холодных фронтов тропической зоны.
Характеристики облачных систем позволяют выявить общую синоптическую обстановку, в которой наблюдаются те или иные облачные образования.
Таким образом, комплекс основных характеристик, рассмотренных выше, может лечь в основу распознавания облаков и подстилающей поверхности на путниковых фотографиях. Но все же при наличии в распоряжении дешифратора этих облачных характеристик задача дешифрирования остается сложной. Важным дополнением к упрощению распознавания спутниковых фотографий являются радиационные измерения, которые производятся одновременно с ТВ прослеживанием облаков. Совместный анализ всей спутниковой информации позволит выяснить вертикальную протяженность облаков и уточнить по этим данным их форму. Если в распоряжении дешифратора имеются только телевизионные снимки облачности, то для определения мощности облаков используют тени, отбрасываемые высокими облаками, на более низкие Превышение одного облака над другим в этом случае может быть определено по данным высоты Солнца. Тени могут быть видны не только на фоне более низких облаков, но и на светлом песке, снежном и ледяном покрове. В то же время на водной поверхности, которая обычно имеет темный тон, тень не всегда удается обнаружить.

Форма и количество облачности При анализе телевизионных снимков не всегда удается точно определить формы морфологической классификации облаков из-за фотографического сходства большинства из них между собой. Поэтому при дешифрировании пользуются условной классификацией, составленной с учетом информативных возможностей фотографии. Выделяются следующие основные типы облачности, каждый из которых может включать в себя не только соответствующие формы морфологической классификации - кучевые, слоистые, перистые и др., но и всевозможные разновидности всех ярусов, создающих на снимках сходный зрительный эффект: перисто-образные, слоистообразные, кучево-образные, кучево-дождевые или мощные кучевые, слоисто-кучевообразные, различные сочетания указанных типов.
Кроме основных типов облачности, при дешифрировании определяются границы однородных облачных полей и количество облачности.
Границей (контуром) называется линия раздела между полями с различными характеристиками. Контурами очерчиваются районы (поля), однородные по яркости и структуре изображения облачности.
Количество облачности характеризует степень покрытия облаками того или иного участка земной поверхности и определяется отношением (в процентах) площади, занятой облачными элементами внутри контура, ко всей площади, ограниченной контуром.

Перистообразная облачность

Облака, сквозь которые просвечивает рельеф или более низкие облака, являются обычно перисто-образными. Они могут быть опознаны на изображениях в большинстве случаев по волокнистой структуре, а также по ассоциации с другими облаками, такими, например, как кучево-дождевые.
Существенную помощь в распознавании облаков оказывает также знание географии местности. Если облачные полосы пересекают высокие горные цепи и при этом не испытывают их влияния, то о высоте таких облаков можно судить однозначно и отнести их к перисто-образным. Полосы более или менее плотных перистых облаков часто дают тень на облака нижнего и среднего ярусов или заснеженную поверхность Земли. Особенно четкие тени связаны с перистыми облаками, образующимися с правой стороны струйного течения.
К перисто-образным облакам могут быть отнесены не только перистые облака, но и облачные поля других форм, имеющие аналогичную структуру. Так, например, при условии отсутствия других опознавательных признаков, изолированное поле адвентивного тумана над открытым морем создает на снимке такой же фотографический эффект, что и перистые облака. Однако знание физического механизма и района образования тех или иных облачных образований, учет истории, а также привлечение других источников позволяют правильно идентифицировать типы облачности.

Слоистообразная облачность

Основной отличительной чертой слоистообразной облачности на ТВ снимке является ее матовый однородный тон. Мезоструктура этой облачности бывает неопределенная или полосная. Вдоль полос обычно сохраняется однородность тона либо она меняется постепенно.
Тон изображения плотных слоисто-образных облаков чаще белый, иногда ярко-белый, тонких — светло-серый.
Изображение слоистообразной облачности на ТВ снимках создается слоисто-дождевыми (Ns), слоистыми (St), высокослоистыми (As) облаками. Кроме того, некоторые кучево-образные облака: кучевые (Сu), высококучевые (Ас) и слоисто-кучевые (Sc), состоящие из сравнительно мелких облачных элементов, разделенных такими же мелкими просветами, могут выглядеть на ТВ снимках как слоистообразные. Наибольшей яркостью на снимке будут обладать слоисто-дождевые облака, среднее альбедо которых составляет 80%. Меньшая яркость будет у As, имеющих среднее альбедо 60%.
Слоистообразная облачность часто наблюдается в сочетании с кучево-образной. В этом случае матовый топ изображения, характерный для слоистообразной облачности, будет несколько нарушен вкраплениями зернистых или более крупных облачных элементов округлых форм. Нередко в слоистообразную облачность бывают включены кучево-дождевые облака (Cb), которые на снимках просматриваются в виде ярко-белых пятен на менее ярком однородном фоне. Иногда присутствие СЬ можно обнажить по теням от их вершин, выступающих над верхней кромкой слоистообразных облаков. По "количеству слоистооб-разная облачность бывает только сплошной или значительной.
Для нее характерны большие горизонтальные размеры (до нескольких тысяч километров). Вертикальная мощность ее колебаться от 0,3 до 5—6 км.
Слоистообразная облачность чаще всего наблюдается в области теплых и окклюдированных фронтов, а также в антициклонах в холодную половину года.
От слоистообразных облаков следует отличать туман. На спутниковых фотографиях он имеет сплошное молочно-белое изображение с роимыми краями, повторяющими, как правило, формы рельефа. Адвективный туман над океанами может иметь также полосную структуру, напоминающую структуру перистых облаков. Плотный туман легко опознается даже на фоне снега, поскольку закрывает контуры подстилающей поверхности и может просматриваться сквозь тонкую облачность. Слабый (просвечивающий) туман обнаруживается на снимках только при отсутствии снега и облачности. Светло-серая пелена тумана над небольшими водными бассейнами создает иногда впечатление свечения воды наподобие солнечного блика.
Определенные трудности дешифрирования представляют туманы на ИК изображениях. Малый температурный контраст между туманом и подстилающей поверхностью очень часто не позволяет по тону изображения отличить туман от других объектов. В этом случае существенную помощь могут оказать аэросиноптические материалы за сроки, наиболее близкие к срокам съема информации.

Кучевообразная облачность

Кучевообразная облачность (ячейки)

Изображения кучевообразной облачности на фотоснимках отличается большой яркостной неоднородностью. Тон изображения этих облаков может колебаться от серого до ярко-белого, причем светлый тон изображения обычно чередуется с более темным. Характерной текстурой изображения является зернистая, волокнистая или куполообразная. Мезоструктурные образования кучевообразной облачности могут быть трех видов: ячейки, полосы, цепочки.
Из кучевообразных облаков по фотоснимкам можно выделить в основном облака вертикального развития, к которым относятся кучевые (Си), мощные кучевые (Си cong.) и некоторые формы слоисто-кучевых облаков (Sc). Яркость тона изображения кучевообразных облаков прямо пропорциональна их горизонтальным и вертикальным размерам.
Небольшие скопления кучево-образных облаков, имеющие размеры меньше, чем разрешающая способность системы, выглядят на снимке как сплошная серая дымка и могут быть расшифрованы как тонкие слоистообразные облака. К таким облакам относятся кучевые хорошей погоды < (Сu hum), высококучевые (Ас), некоторые формы слоисто-кучевых (Sc) и перисто-кучевых (Сс).
Кучевообразные облака обычно располагаются в виде отдельных редких облаков или в виде значительных скоплении их. Горизонтальные размеры облаков колеблются в очень широких пределах. Кучевообразные облака могут сочетаться с другими формами облаков всех ярусов. Выделяться на фоне других облаков они будут в том случае, если имеют большую яркость изображения на снимке, либо по характерной тени, отбрасываемой ими на нижележащие облака.
Кучевообразные облака чаще всего образуются вблизи холодных фронтов и в тылу циклона в неустойчивой воздушной массе.
Особенно важно выделить среди других облаков кучево-дождевую облачность. Основными признаками для дешифрирования изображений Сb на ТВ снимке являются: наиболее яркий (ярко-белый) фон изображения (альбедо порядка 80%); отчетливо очерченные контуры облачности, хорошо различимые на фоне подстилающей поверхности и легко опознаваемые на фоне любой другой облачности. Куполообразная текстура изображения; значительные колебания горизонтальных размеров; характерные выбросы (шлейф) наковален перистых облаков; полосная мезоструктура (в виде гряд).
СЬ встречаются как изолированные, так и в сочетании с другими формами. В случае сочетания СЬ с другими формами граница их выражена резко: они обнаруживаются по теням, создаваемым вершинами, ярко-белые купола которых выступают на более темном фоне. В случае отсутствия теней СЬ опознаются по яркости их изображения на снимках. Они могут наблюдаться в тылу циклона в неустойчивом холодном воздухе, а также в антициклоне и размытом барическом поле в особенности в летнее время года.

Слоисто-кучевообразная облачность

Слоисто-кучевая облачность обозначена как SC Sheets

На телевизионных фотографиях слоисто-кучевообразные облака имеют вид крупных или мелких гранул. Иногда эта облачность на снимке выглядит в виде поля изолированных расплывшихся пятен, в центре которых, как правило, прослеживается относительно яркое образование из более мощных облаков. Для слоисто-кучевообразных облаков характерна зернистая текстура. Облачность имеет серый и светло-серый тон на ИК изображениях, светлый и ярко-белый тон на снимках, полученных в видимых лучах. Облака этих форм имеют хорошо выраженную структуру и очень часто группируются в гряды и полосы, которые обычно ориентируются по направлению ветра. Слоисто-кучевообразная облачность формируется в холодном влажном воздухе в подинверсионном слое и имеет небольшую вертикальную протяженность.

Кучево-дождевая облачность

Кучево-дождевая облачность

Этот вид облачности достаточно легко опознается на телевизионных изображениях. Кучево-дождевые облака обычно имеют куполообразную текстуру, большую яркость и размеры. На снимках они имеют вид крупных ярких белых пятен с размерами в поперечнике 10—40 км, а иногда и более.
Облачные образования диаметром около 100 км и более представляют собой скопление отдельных кучево-дождевых облаков, у которых наковальни слились и образовали сплошной покров перистых облаков.
Шлейф перистых облаков, по данным К. О. Эриксона, связанный с кучево-дождевой облачностью, наблюдается при наличии вертикального сдвига ветра. В этом случае наветренный край кучево-дождевого облака резкий, а подветренный, куда происходит снос перистых облаков, размытый. Шлейф перистых облаков простирается по направлению ветра на уровне облаков. В связи с этим по изображению кучево-дождевой облачности можно определять направление воздушных потоков в верхней тропосфере (на уровне перистых облаков), а они в некоторой степени характеризуют перемещение самих кучево-дождевых облаков.
Наличие кучево-дождевых облаков на ТВ снимке является хорошим индикатором для прогноза гроз, ливней и шквалистых ветров в районе, для которого получена спутниковая информация.
При определенных условиях ТВ съемки вес же не всегда удается правильно распознать отдельные формы облачности, тем более что в оперативной практике использования спутниковых изображений этот этап дешифрирования является промежуточным. Эти и другие соображения способствовали созданию обобщенного метода дешифрирования ТВ изображений облачности. Сущность метода, который предложил И. П. Ветлов, заключается главным образом не в распознавании отдельных облачных форм, фиксируемых при наземных наблюдениях, а в выявлении типовых облачных систем, связанных с характерными атмосферными процессами. В основу такого подхода к дешифрированию положен принцип — каждая отдельная облачная система обусловлена определенной формой циркуляции в атмосфере. Дешифрирование изображений облачности в таком плане облегчает и задачу выделения обычных облачных форм, которая после выявления типовых облачных систем с точки зрения анализа и прогноза погоды во многих случаях может терять свое самостоятельное значение.

ИСПОЛЬЗОВАНИЕ ДАННЫХ НАБЛЮДЕНИЙ С МЕТЕОРОЛОГИЧЕСКИХ СПУТНИКОВ В СИНОПТИЧЕСКОМ АНАЛИЗЕ. Фронты.

Обширная метеорологическая информация, регулярно получаемая со спутников, находит широкое применение в синоптической практике. Сборные карты облачного покрова, построенные по телевизионным снимкам, обладают большой информативностью, они отображают пространственную структуру и другие характеристики облачности. Облачные системы разнообразных синоптических образований (фронтов, циклонов, ураганов, зон конвергенции и др.) настолько типичны, что использование изображении облачного покрова стало незаменимым средством прогноза крупномасштабных атмосферных процессов.
Для начального этапа развития спутниковой метеорологии, связанного с использованием в практике прогнозов погоды изображений облачного покрова, характерно преобладание методов качественного (синоптического) анализа получаемых данных. Выполненные в последние годы исследования свидетельствуют о больших возможностях использования спутниковой метеорологической информации в рамках современных численных прогнозов погоды. В частности, использование данных уходящего излучения в различных областях спектра позволяет получить количественные сведения о температуре, плотности, влажности воздуха и содержании озона.
Реальная возможность решения обратных задач спутниковой метеорологии ставит на повестку дня проблему оптимального сочетания обычных и спутниковых средств метеорологических наблюдений. Если станут, например, вполне надежными спутниковые измерения вертикального профиля температуры воздуха в любой точке земного шара, то это исключит необходимость массового применения радиозондов как основного средства температурного зондирования атмосферы.
Перспективы получения при помощи спутников метеорологической информации в количественной форме отнюдь не снижают актуальности использования и совершенствования методов качественного анализа изображения Земли из космоса. Напротив, исследования последних лет открыли здесь новые возможности, состоящие в применении изображений для определения разнообразных свойств характеристик подстилающей поверхности.

ИСПОЛЬЗОВАНИЕ ДАННЫХ ОБ ОБЛАЧНОСТИ ДЛЯ ОЦЕНКИ СИНОПТИЧЕСКОГО ПОЛОЖЕНИЯ

При анализе синоптических карт и оценке характера атмосферных процессов, наряду с данными наблюдений наземных станций, в последнее время все шире применяются результаты наблюдений с метеорологических спутников. Рассматривая последовательный ряд снимков земной поверхности, можно выявить определенные структурные характеристики облачных полей. С помощью спутниковой аппаратуры, способной заснять большие пространства, удается получить общую картину облачного покрова в глобальном масштабе. Сборная карта облачного покрова, построенная по фотографиям с большой площади, описывает характер атмосферных процессов, происходящих на большой территории, и может иметь практическое значение. Эти карты, дающие непрерывную картину распределения облачности, обладают большой наглядностью, существенной для синоптического анализа, и в значительной мере помогают более правильно осмыслить данные дискретной сети метеорологических наблюдений. Выделить крупномасштабные атмосферные возмущения, с которыми связаны резкие изменения в условиях погоды.

ОСНОВНЫЕ СТРУКТУРНЫЕ ОСОБЕННОСТИ ОБЛАЧНЫХ ПОЛЕЙ И ИХ СВЯЗЬ С СИНОПТИЧЕСКИМИ ПРОЦЕССАМИ

Структура изображения зависит главным образом от яркостного контраста наблюдаемых облаков, превышающего порог контрастной чувствительности телевизионной системы. Изменения условий съемки (освещенности, выдержки, диафрагмирования и. т. п.) мало влияют на структуру изображения, меняется лишь его контрастность.

Облачные системы синоптического масштаба - макроструктура - характеризуют геометрические особенности больших участков изображения, создаваемых сотнями элементов, с размерами примерно на два-три порядка больше разрешающей способности системы, с помощью которой получены телевизионные (ТВ) или инфракрасные (ИК) снимки. Эта структура облачных изображений дает непрерывную по горизонтали картину распределения облаков, обладает большей наглядностью, чем обычные данные об облачности, помещенные на синоптической карте. Для районов с густой сетью станции ТВ и ИК снимки облачных полей синоптического масштаба помогают синоптику более разумно произвести систематизацию атмосферных процессов. При сравнительно редкой метеорологической сети станций, когда отдельные участки синоптической карты плохо обеспечены инструментальными наблюдениями, макроструктура облачных изображений служит основной информацией при анализе и составлении прогноза погоды. Она может иметь различные мезомасштабные и макромасштабные характеристики (мезоструктуру и текстуру), что расширяет объем информации о конкретном поле облачности.

ОБЛАЧНОСТЬ АТМОСФЕРНЫХ ФРОНТОВ

Облачные системы атмосферных фронтов изображаются на ТВ и ИК снимках в виде светлых полос различной ширины, яркости и структуры.
Наиболее широкие и яркие облачные полосы соответствуют активным фронтам с интенсивными восходящими движениями влажного воздуха, более узкие и менее светлые облачные полосы - неактивным, в области которых восходящие движения не получают развития.
Фронтальные полосы состоят, как правило, из многослойной облачности, являющейся сочетанием различных типов. Распознавание типов облаков производится как по признакам, свойственным каждому типу облачности в отдельности, так и по характеру границ облачной полосы. Например, о наличии перисто-образной облачности можно судить по "выметам" светло-серого тона, а также по коротким поперечным полосам, часто наблюдающимся вдоль границы фронтальной облачности. "Рваные" (неровные) границы присущи кучевообразной и кучево-дождевой облачности. Сглаженные (ровные) края указывают на преобладание слоистообразной облачности. Во фронтальной полосе присутствует обычно не менее двух типов облачности. Активность атмосферных фронтов уменьшается от центра циклона к периферии, и это изменение их активности выявляется на ТВ изображениях, но уменьшению ширины полосы и количества облачности. Фронтальные облачные системы представляются на снимках и картах нефанализа в большинстве случаев в виде облачных полос шириной от одной до нескольких сотен километров. Так как облачные полосы обычно состоят из облаков различных форм, то на картах нефанализа в том контуре, где указана фронтальная облачность, наносятся зачастую все формы облаков. Однако в ряде случаев удается проследить преобладание кучевообразной облачности в зоне холодного фронта и слоистообразной в зоне теплого фронта.
Анализ карт облачности, карт погоды и барической топографии показал, что фронтальные разделы часто прослеживаются в поле облачности значительно дольше, чем в поле других элементов. При этом внешний вид облачности и конфигурация облачной полосы часто позволяют определить вид фронта на снимке. Это обстоятельство может служить основой для уточнения анализа синоптического положения в конкретном районе.

Облачность холодного фронта.

Облачные полосы холодных фронтов имеют четкую структуру в виде яркой полосы шириной 200-300 км и длиной более 1000 км, очень часто с вкраплениями округлых ярких пятен с резко очерченными краями. Полосы формируются из слоисто-дождевой облачности и отдельных скоплений кучево-дождевых облаков. Обычно они имеют однородный тон изображения, на фоне которого четко прослеживаются вкрапления округлых ярких пятен облаков вертикального развития. Для активных холодных фронтов характерно изображение в виде непрерывной хорошо развитой облачной полосы. Для фронтов с пониженной активностью облачная полоса обычно менее широкая, с отдельными разрывами контура.

Холодный фронт (ХФ)

Очень часто облачные полосы холодного фронта бывают отделены безоблачными зонами от предфронтальной и зафронтальной облачности. На снимках, которые получены для теплого периода года, перед фронтальной зоной на некотором расстоянии от основной облачной полосы очень часто видны гряды кучево-дождевых облаков, расположенные параллельно фронту. За фронтом иногда могут наблюдаться скопления кучевых облаков, сформированных в гряды, ячейки или ансамбли, не имеющие определенной структуры. Такие облака являются результатом конвекции: водном воздухе, перемещающемся над теплой подстилающей поверхностью. Для облачных зон холодных фронтов характерна заметная циклоническая кривизна (прогиб в сторону теплого воздуха).
Исследования, выполненные Т. П. Поповой, показывают, что линия холодного фронта у поверхности Земли практически всегда находится в пределах облачной полосы. В тех случаях, когда в облачной зоне преобладают облака слоистообразных форм, линии приземного фронта располагается вблизи правой (передней) ее кромки, при преобладании облаков кучевых форм линия фронта располагается у левой (тыловой) кромки облачной полосы. Обращает на себя внимание четкость границ этих полос.

Облачность теплого фронта.

Теплый фронт, как правило, хорошо выражен в поле облачности лишь в начальных стадиях развития циклона, поэтому распознавание этих фронтов на снимках гораздо сложнее, чем холодных. Изображение облачности теплого фронта на ТВ снимках отличается большим разнообразием размеров и рисунков облачного покрова.
По исследованиям Е. П. Домбковской, наиболее типичной для теплого фронта является облачная зона характерного полосного строения шириной 300-500 км и длиной от нескольких сотен до тысячи километров, причем длинные облачные полосы на теплых фронтах встречаются редко.
Облачная полоса, соответствующая теплому фронту, в процессе окклюдирования сливается с облаками холодного фронта. Обычно облачная зона на теплом фронте размывается и на снимках бывает виден лишь незначительный выступ у точки окклюзии, соответствующий ранее существовавшей облачной полосе теплого фронта. В то же время холодный фронт остается выраженным очень четко.
Облачная зона теплого фронта имеет антициклоническую кривизну и выгибается в сторону холодного воздуха.
Облачная полоса этого фронта сформирована из однородной слоисто-дождевой облачности. На снимках, полученных в летнее время, очень часто могут наблюдаться отдельные образования кучево-дождевых облаков. Ширина фронтальной облачной полосы на всем ее протяжении неодинакова. Там, где происходит развитие волны и циклона, она расширена, в области тыловых гребней - сужена и размыта. Размытые теплые фронты иногда бывают, видны на снимках в виде полос перистой облачности. Как отмечает Попова, отличительной чертой облачности теплого фронта является резкая, часто с округлыми очертаниями, тыловая ее граница и изрезанная передняя граница, где отдельные облачные валы и удлиненные просветы располагаются параллельно основной облачной полосе.
Перед облачной зоной теплого фронта в холодном воздухе могут наблюдаться мелкие, беспорядочно разбросанные облака кучевых форм, за фронтом в теплом воздухе - облака конвекции. Эти облака характерны в основном для летнего времени, они свидетельствуют о неустойчивости и высоком влагосодержании теплого воздуха. Исследования показывают, что положение облачной полосы теплого фронта обычно хорошо согласуется с положением приземной ложбины. При этом линию фронта у поверхности Земли следует проводить вблизи внутреннего края облачной полосы.

Облачность фронта окклюзии.

Облачная зона, соответствующая фронту окклюзии, представляет собой плотную (яркую) облачную полосу шириной около 300 км. Обычно она имеет форму спирали, напоминающую внешним видом гигантскую запятую, вершина которой находится в центре циклонической циркуляции на уровне облачности. Для облачной спирали характерна резко очерченная внутренняя (тыловая) граница, за ней наблюдается безоблачная или малооблачная полоса, причем на некотором расстоянии от нее могут быть видны облака кучевообразных форм в виде гряд, конвективных ячеек или скопления облаков, не имеющих четкой структуры. В отличие от внутренней границы облачной полосы фронта окклюзии, внешняя (передняя) граница более расплывчатая, часто изорванная. Облачная полоса в этом случае состоит из отдельных валов облаков, которые чередуются с просветами, причем те и другие вытягиваются вдоль направления основной облачной полосы.
Исследования Т. П. Поповой, Л. С. Мининой показывают, что линия фронта окклюзии у поверхности Земли расположена в пределах облачной полосы. Если облачная полоса имеет резкую внутреннюю границу, то фронт окклюзии находится в тыловой части облачной спирали; если же внутренняя граница является более аморфной, фронт окклюзии у поверхности Земли смещается к центральной части облачной полосы. Облачная система окклюзии часто переходит в облачную систему холодного фронта без заметного раздвоения на облачность холодного и теплого фронтов. Иногда положение точки окклюзии можно определить по небольшому выступу с правой стороны облачной полосы. Этот выступ представляет собой остатки облачности теплого фронта. Исследование облачных полос фронтов окклюзии показывает, что на синоптической карте облачной спирали этого фронта соответствует передняя часть циклона. Со временем фронт окклюзии может трансформироваться в холодный, теплый или стационарный фронт. В этом случае облачная полоса начинает приобретать характерные признаки и конфигурацию соответствующих облачных систем.
Установлено, что в свободной атмосфере облачная полоса фронта окклюзии совпадает с положением оси термического гребня в нижней половине тропосферы, причем ось барического гребня на уровне 500 hPa часто является передней границей распространения облаков. В зоне прояснения и развития кучевообразной облачности в свободной атмосфере имеет место высотная ложбина или циклон и очаг холода. приведен пример облачной системы фронтов окклюдирующегося циклона. Облачная полоса, имеющая вид дуги, сформированная из кучево-дождевой, кучевообразной и перисто-образной облачности, соответствует холодному фронту. К фронту со стороны холодного воздуха примыкает широкая безоблачная зона.

Облачность стационарного фронта.

Облачная полоса стационарного фронта обычно не имеет циклонической или антициклонической кривизны. Ширина ее порядка 200-300 км, структура неоднородна, с частыми прояснениями. Средняя протяженность облачных полос стационарного фронта намного больше, чем протяженность облачных спиралей, связанных с быстро перемещающимися фронтами.
На синоптической карте линия приземного фронта совпадает чаще всего с центральной частью облачной полосы. В тех случаях, когда фронт совершает небольшое поступательное движение, линия фронта у поверхности Земли смещается в тыловую часть облачной полосы. Изобары на синоптической карте образуют, как правило, деформационное поле. В свободной атмосфере таким облачным полям соответствует мало градиентное поле изогипс.
Примеры облачности стационарного фронта приведен на рисунке. Облачная полоса стационарного фронта с волнами имеет широтное направление, ширина ее достигает 300-400 км. Она сформирована из слоистообразной и кучевообразной облачности. В верхней части снимка отмечается кучево-дождевая облачность. О наличии волн свидетельствуют утолщения облачной полосы.

МЕТОД ПРЕОБРАЗОВАНИЯ ГИСТОГРАММ

На первом этапе рассмотрим подход, основанный на методе преобразования гистограмм. Этот подход уместно использовать в тех случаях, когда наблюдаемое изображение подвержено искажающему влиянию полупрозрачного аэрозольного образования, кроме того, известна гистограмма распределения яркостей этого участка видеоданных, полученная в условиях хорошей видимости. Последнюю можно заменить гистограммой соседнего участка изображения, если он текстурно эквивалентен восстанавливаемому участку и не подвержен замутнению на данном снимке. Заметим, гистограмма изображения как усредненная статистическая характеристика более стабильна по сравнению с конкретной реализацией наблюдений. С учетом разрешения прибора AVHRR, когда участок ППЗ 1х1км2 отображается в пикселях видеоданных, модель влияния замутнения на приземное изображение в математической форме имеет вид оператора свертки. Функция рассеяния точки для стратифицированных рассеивающих слоев, не прилегающих к отражающей поверхности, имеет дельта составляющую и медленно спадающие протяженные фронты, нам неизвестна.

Попытаемся описать эту ситуацию с помощью гистограмм. Будем полагать, что идеальные условия наблюдения некоторого участка поверхности Земли формируют распределение радиояркостей, описываемое гистограммой, а влияние полупрозрачного тумана приводит к искажению гистограммы, так что мы наблюдаем распределение яркости, выраженной в уменьшении динамического диапазона и смещении области определения видеоданных. Вначале для простоты изложения, будем полагать и непрерывными величинами, . Распределение радиояркостей замутненного изображения будем описывать функцией плотности вероятностей. А распределение радиояркостей идеального (эталонного) изображения будем описывать распределением. Для восстановления изображения воспользуемся преобразованиями яркостей, выражаемыми следующим образом

где - значения яркости замутненного изображения, а - чистого изображения.

Будем рассматривать класс восстанавливающих преобразований T(x) однозначных и строго монотонных на, так что и обратное преобразование T-1(x), также будет строго монотонным на. Условие монотонности сохраняет порядок перехода от черного к белому в шкале яркости восстанавливаемого изображения.

Учитывая тот факт, что величины и связаны функционально, их вероятностные распределения выражаются следующим образом

где - обратное преобразование.

Для нахождения преобразования рассмотрим следующую двухэтапную процедуру идентификации. Воспользуемся свойством интегральной функции распределения, интерпретируемой как преобразование, выравнивать частоты, а именно,

где - интегральная функция распределения и величина распределена равномерно на интервале. С другой стороны по аналогии с (3.3) имеем

где - интегральная функция распределения, приравняв выражения, получим

где обратное преобразование.

Таким образом, переходя на первом этапе к равномерному распределению яркостей по формуле (3.3), а на втором этапе - обращая преобразование G(y), получим искомое распределение яркостей и выражение для корректирующего преобразования.

Теперь рассмотрим дискретный вариант преобразований (3.4). Пусть фрагмент оцифрованного изображения (необязательно прямоугольный) и - количество пикселей этого фрагмента. Предположим, что этот фрагмент подвержен искажающему влиянию атмосферы, а - фрагмент оцифрованных данных, снятый в "хороших" условиях видения. Этот фрагмент позволяет восстановить гистограмму.

Когда уровни яркости принимают дискретные значения, выражение (3.3) имеет следующий табличный вид

где - число дискретных уровней яркости, - количество элементов из общего числа, имеющих уровень в дискретном изображении.

Соответственно дискретная форма выражения (3.4) имеет вид следующей таблицы

поэтому обращение такой функции достигается перестановкой входа и выхода и вместе с (3.5) может быть использована для коррекции радиояркостей методом преобразования гистограмм.

ВОССТАНОВЛЕНИЕ ИЗОБРАЖЕНИЙ НА ОСНОВЕ РЕГРЕССИОННЫХ УРАВНЕНИЙ ПРОГНОЗИРОВАНИЯ СЛУЧАЙНЫХ ПОЛЕЙ РАДИОЯРКОСТЕЙ.

Теперь рассмотрим подход восстановления видеоданных, основанный на использовании регрессионной зависимости. Восстанавливаемые значения прогнозируемого поля будем описывать случайной величиной, а радиояркости полей, являющихся источниками прогнозирующей информации будем описывать случайным вектором, где - - мерное евклидово пространство, - радиояркости -го канала прибора AVHRR, =5, -знак транспонирования. Взаимосвязь прогнозируемой переменной и вектора будем описывать функционалом регрессии следующего вида

где - оператор математического ожидания, причем. Если существуют нижеследующие плотности вероятностей случайных величин и, то с учетом (3.7) имеем

где, - совместная плотность вероятностей случайных вектора и величины, - плотность вероятности случайного вектора, - плотность вероятности случайной величины, а - интегральная функция распределения. Если в нашем распоряжении имеется выборка попарно независимых одинаково распределенных случайных величин, где n - количество контрольных отсчетов на тестовом участке, для вычисления выражения (3.8) естественно воспользоваться непараметрическими оценками неизвестных распределений по выборочным данным, тогда

где h - ширина окна (параметр сглаживания или масштаба), описываемого функцией. В качестве K(u) может быть взято ядро Епанечникова следующего вида, где I- индикаторная функция. Возникает проблема оценивания h с учетом конкретной выборки наблюдений. Воспользуемся для оценивания h методом скользящего контроля, заключающимся в том, что строится модифицированная оценка регрессии, в которой последовательно пропускается j-ое наблюдение, . Это наблюдение в точке теперь должно быть восстановлено по всем другим наблюдениям, входящим в уравнение (3.9), наилучшим образом. Критерий качества оценивания h зависит от способности предсказывать набор значений по наборам подвыборок

где - весовая функция, которую, в простейших случаях, можно и не использовать (положить равной единице). Задача оптимизации (3.10) по параметру h решается численно поисковым методом адаптации. После того, как параметр h в выражении (3.9) для конкретизирован, уравнение регрессии можно использовать для восстановления значений по наблюдаемым и для фрагмента видеоданных, закрытых облаками.

ПРИМЕРЫ КОРРЕКЦИИ И ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЙ ППЗ

При съемке ППЗ в осенний и весенний периоды часто наблюдается следующая ситуация. В 1-ом и 2-ом спектральных каналах прибора AVHRR отмечается полупрозрачное замутнение некоторых участков видеоданных. В то же время в 3-ем, 4-ом и 5-ом каналах видим полное экранирование этих фрагментов изображений тепловыми аномалиями. Предпосылкой для использования развиваемых подходов является принцип подобия. На первом этапе восстановления таких изображений проводим коррекцию полупрозрачных участков методом преобразования гистограмм. С этой целью подбираем два текстурно-однородных фрагмента изображения, один из которых "чистый", а другой замутнен и подлежит коррекции. Оцениваем гистограммы с обоих участков и формируем зависимость (3.5), (3.6), на основании которой корректируем замутненный фрагмент. Результат коррекции приведен на рис. 3.2.a. Качество полученного изображения можно оценить по степени адекватности эталонной гистограммы и гистограммы скорректированного изображения (рис. 3.1.a, рис. 3.1.с). Следует учитывать линейчатый характер последней из гистограмм, связанный с дискретностью по яркости преобразуемого изображения. Затем восстанавливались регрессионные зависимости (3.9) на текстурно подобном незамутненном участке. Качество прогнозирования спектральных каналов на контрольном фрагменте, отличном от обучающего, составило 3,4%.

Рис. 3.1. Гистограммы фрагментов изображения: эталонного участка - (a); полупрозрачно замутненного фрагмента - (b); восстановленного фрагмента - (c).

Рис. 3.2. Коррекция полупрозрачного замутнения методом преобразования гистограмм (канал 1 и 2) - (a); экранирующая тепловая аномалия в 4-ом (и 5-ом) каналах - (b); восстановление экранированного участка изображения в 4-ом (и 5-ом) каналах - (с).

Наконец, на рис. 3.2.а,b,c показан весь цикл двух этапной процедуры коррекции и восстановления. На рис. 3.2.a показан фрагмент гистограммной коррекции полупрозрачного замутнения в 1-м (2-ом) канале. На рис. 3.2.b показано экранирующее тепловое облако в 4-м (и 5-м) канале, которое в 1-м канале было полупрозрачным. Наконец, на рис. 3.2.c приведен результат восстановления изображения 4-го (5-го) канала с помощью уравнения непараметрической регрессии. В последнем случае качество восстановления оценить затруднительно, так как истинное распределение радиояркостей реконструированного участка нам неизвестно.

С точки зрения распознавания и анализа объектов на изображении наиболее информативными являются не значения яркостей объектов, а характеристики их границ - контуров. Другими словами, основная информация заключена не в яркости отдельных областей, а в их очертаниях. Задача выделения контуров состоит в построении изображения именно границ объектов и очертаний однородных областей.

Как правило, граница предмета на фотографии отображается перепадом яркости между двумя сравнительно однотонными областями. Но перепад яркости может быть вызван также текстурой предмета, тенями, бликами, перепадами освещенности, и т.п.

Будем называть контуром изображения совокупность его пикселей, в окрестности которых наблюдается скачкообразное изменение функции яркости. Так как при цифровой обработке изображение представлено как функция целочисленных аргументов, то контуры представляются линиями шириной, как минимум, в один пиксель. Если исходное изображение, кроме областей постоянной яркости, содержит участки с плавно меняющейся яркостью, то непрерывность контурных линий не гарантируется. С другой стороны, если на “кусочно-постоянном” изображении присутствует шум, то могут быть обнаружены “лишние” контуры в точках, которые не являются границами областей.

При разработке алгоритмов выделения контуров нужно учитывать указанные особенности поведения контурных линий. Специальная дополнительная обработка выделенных контуров позволяет устранять разрывы и подавлять ложные контурные линии.

Процедура построения бинарного изображения границ объектов обычно складывается из двух последовательных операций: выделения контуров и их пороговой обработки.

Исходное изображение подвергается линейной или нелинейной обработке, с реакцией на перепады яркости. В результате этой операции формируется изображение, функция яркости которого существенно отличается от нуля только в областях резких изменений яркости изображения. Пороговой обработкой из этого изображения формируется контурный объект. Выбор порога на втором этапе должен производиться из следующих соображений. При слишком высоком пороге могут появиться разрывы контуров, а слабые перепады яркости не будут обнаружены. При слишком низком пороге из-за шумов и неоднородности областей могут появиться ложные контуры.

Поиск границ на основе градиента. Одним из наиболее простых способов выделения границ является пространственное дифференцирование функции яркости. Для двумерной функции яркости A(x, y) перепады в направлениях x и y регистрируются частными производными A(x, y)/x и A(x, y)/y, которые пропорциональны скоростям изменения яркости в соответствующих направлениях.

Выделение перепадов яркости иллюстрирует рис. 3.3. На нем можно видеть, что подчеркивание контуров, перпендикулярных к оси x, обеспечивает производная A(x, y)/x (рис. б), а подчеркивание контуров, перпендикулярных к оси y, - A(x, y)/y (рис. в).

В практических задачах требуется выделять контуры, направление которых является произвольным. Для этих целей можно использовать модуль градиента функции яркости который пропорционален максимальной (по направлению) скорости изменения функции яркости в данной точке и не зависит от направления контура. Модуль градиента в отличие от частных производных принимает только неотрицательные значения, поэтому на получающемся изображении (рис. г) точки, соответствующие контурам, имеют повышенный уровень яркости.

Для цифровых изображений аналогами частных производных и модуля градиента являются разностные функции.

Практический пример выделения границ на фотоизображении приведен на рис. 3.4. Исходное изображение (1) является однотонным. На изображении (2) представлен результат вычисления вектора градиента яркости Аx, y) = (A/x, A/y). Как видно на рисунке, в точках большого перепада яркости градиент имеет большую длину. Отфильтровав пиксели с длиной градиента, большей определенного порога, мы получим изображение границ (3).

Недостаток алгоритма - пропуск границы с малыми перепадами яркости и включение в число границ деталей изображения с большими изменениями яркости (шкурка бурундука). При зашумлении изображения карту граничных точек будут загрязнять и просто шум, поскольку не учитывается, что граничные точки соответствуют не просто перепадам яркости, а перепадам яркости между относительно монотонными областями.

Для снижения влияния данного недостатка изображение сначала подвергают сглаживающей гауссовской фильтрации. При сглаживающей фильтрации мелкие несущественные детали размываются быстрее перепадов между областями. Результат операции можно видеть на изображении (4). Однако при этом четко выраженные границы расплываются в жирные линии.

Градиент яркости в каждой точке характеризуется длиной и направлением. Выше при поиске граничных точек использовалась только длина вектора. Направление градиента - это направление максимального возрастания функции, что позволяет использовать процедуру подавления немаксимумов. При этой процедуре для каждой точки рассматривается отрезок длиной в несколько пикселей, ориентированный по направлению градиента и с центром в рассматриваемом пикселе. Пиксель считается максимальным тогда и только тогда, когда длина градиента в нем максимальна среди всех длин градиентов пикселей отрезка. Граничными можно признать все максимальные пиксели с длинами градиента больше определенного порога. Градиент яркости в каждой точке перпендикулярен границе, поэтому после подавления немаксимумов жирных линий не остается. На каждом перпендикулярном сечении жирной линии останется один пиксель с максимальной длиной градиента.

Перпендикулярность градиента яркости к границе может быть использована для прослеживания границы, начиная с некоторого граничного пикселя. Такое прослеживание используется в гистерезисной фильтрации максимальных пикселей. Идея гистерезисной фильтрации заключается в том, что длинный устойчивый граничный контур, скорее всего, содержит в себе пиксели с особенно большим перепадом яркости, и, начиная с такого пикселя, контур можно проследить, переходя по граничным пикселям с меньшим перепадом яркости.

При проведении гистерезисной фильтрации вводят не одно, а два пороговых значения. Меньшее () соответствует минимальной длине градиента, при которой пиксель может быть признан граничным. Большее (), соответствует минимальной длине градиента, при которой пиксель может инициализировать контур. После того как контур инициализируется в максимальном пикселе P с длиной градиента, большей, рассматриваются каждый соседний с ним максимальный пиксель Q. Если пиксель Q имеет длину градиента, большую, и угол между векторами PQ и (P) близок к 90o, то P добавляется к контуру, и процесс рекурсивно переходит к Q. Его результат для исходного изображения на рис. 3.4. показан на рис. 3.5.

Таким образом, алгоритм нахождения границ на основе градиента заключается в последовательном применении следующих операций:

Гауссовская сглаживающая фильтрация;

Нахождение градиента яркости в каждом пикселе;

Нахождение максимальных пикселей;

Гистерезисная фильтрация максимальных пикселей.

Этот алгоритм носит названия алгоритма Кэнни и наиболее часто применяется для нахождения границ.

Поиск границ на основе лапласиана. Известно, что необходимым и достаточным условием экстремального значения первой производной функции в произвольной точке является равенство нулю второй производной в этой точке, причем вторая производная должна иметь разные знаки по разные стороны от точки.

В двумерном варианте аналогом второй производной является лапласиан - скалярный оператор

f) = (f/x + f/y).

Нахождение границ на изображении с использованием лапласиана может производиться по аналогии с одномерным случаем: граничными признаются точки, в которых лапласиан равен нулю и вокруг которых он имеет разные знаки. Оценка лапласиана при помощи линейной фильтрации также предваряется гауссовской сглаживающей фильтрацией, чтобы снизить чувствительность алгоритма к шуму. Гауссовское сглаживание и поиск лапласиана можно осуществить одновременно, поэтому нахождение границ при помощи такого фильтра производится быстрее, чем при помощи алгоритма Кэнни. Фильтр применяется в системах, где имеет значение и качество результата (обычно уступает алгоритму Кэнни), и быстродействие. Чтобы уменьшить чувствительность к несущественным деталям, из числа граничных точек также можно исключить те, длина градиента в которых меньше определенного порога (рис. 3.6).

Внимание! Для рисования графического примитива (прямоугольника, скруглённого прямоугольника, эллипса) нужно щёлкнуть на кнопке с его изображением на панели инструментов, переместить указатель мыши в рабочую область, нажать левую кнопку мыши и, не отпуская её, перемещать указатель мыши по диагонали, следя за изображением на экране. Для изображения квадрата и круга при использовании соответствующих инструментов удерживают нажатой клавишу Shift.

Чтобы изменить ширину контура для фигур, получаемых с помощью инструментов Прямоугольник, Эллипс и Скругленный прямоугольник, следует предварительно активизировать инструмент и в его меню настройки указать требуемую ширину.

Задание 3.2. Выделение и удаление фрагментов

Задание 3.3. Перемещение фрагментов

Задание 3.4. Преобразование фрагментов

Задание 3.5. Конструирование сложных объектов из графических примитивов

Внимание! Сложные объекты желательно изображать по частям. Изображайте каждый из примитивов отдельно. Затем поочерёдно выделяйте их (инструмент Выделение, режим Прозрачный фрагмент и перетаскивайте в нужное место.

Задание 3.6. Создание надписей

Задание 3.7. Копирование фрагментов

1. Запустите графический редактор Paint.
2. Взяв за основу следующую последовательность действий, изобразите шахматную доску.
3. Подпишите строки и столбцы шахматной доски.
4. Сохраните рисунок в личной папке под именем Шахматная доска.

Задание 3.8. Работа с несколькими файлами

Задание 3.9. Получение копии экрана

1. Запустите графический редактор Paint, минимизируйте его окно и сделайте копию этого окна (клавиши Alt+PrintScreen - нажать одновременно).
2. Разверните окно графического редактора Paint на весь экран и разместите полученное изображение в центре рабочей области (команда Правка, Вставить), подпишите основные элементы интерфейса.
3. Сохраните результат работы в личной папке под именем Paint.

Задание 3.10. Создание анимации

Внимание! На сайте http://www.gifup.com/ вы можете поработать в простейшем редакторе анимаций - программе, создающей иллюзию движения на экране монитора за счёт быстрой смены кадров.

Задание 3.11. Художественная обработка изображений

Задание 3.12. Масштабирование растровых и векторных изображений

1. В графическом редакторе Paint постройте следующее изображение:
2. Сохраните результат работы в личной папке как 24-разрядный рисунок (тип файла).
3. Выполните такой же рисунок в графическом редакторе OpenOffice.org Draw. Сохраните результат работы в личной папке как Рисунок ODF (тип файла).
4. Выделите любой фрагмент рисунка. Несколько раз уменьшите и увеличьте выделенный фрагмент. Понаблюдайте за тем, как операции масштабирования влияют на качество изображения.
5. Завершите работу с графическими редакторами.

http://www.hobbymaker.narod.ru/Articles/sharpness_rus.htm

Резкость изображения: поиск физического смысла
Верна ли теория Гарольда Мерклингера?
___________________________________________________________

(Третья редакция)

В двух предыдущих статьях, посвященных глубине резко изображаемого пространства [ , ], я напомнил читателям основные положения классической теории. Однако, как показал мой печальный опыт, люди не склонны осмыслять физический смысл, заложенный в скучные математические выражения. Гораздо больше им нравится руководствоваться упрощенными четкими рекомендациями. Однако, увы, простота все еще может быть хуже воровства. Стремление к упрощениям зачастую приводит к совершенно неправильному пониманию сути дела.

К написанию этой статьи меня побудило желание развеять два часто встречающихся заблуждения :

1. При равномасштабной съемке глубина резкости не зависит от фокусного расстояния объектива. Масштаб и диафрагма полностью определяют глубину резкости.
2. Фокусировка на бесконечность позволяет получить существенный выигрыш в резкости и деталировке удаленных планов по сравнению с фокусировкой на гиперфокальное расстояние.

Обе эти идеи в значительной мере базируются на теории Гарольда Мерклингера, которую он изложил в своей книге . Надо признать, что в упомянутой книге есть много здравых и полезных мыслей. Но, по иронии судьбы, некоторые идеи Мерклингера легли также в основу ряда печальных заблуждений.

В этой статье предпринята попытка разобраться в существе вопроса и выяснить границы применимости различных подходов к оценке глубины резко изображаемого пространства. При этом важную роль в изложении будут играть не формулы, которые при необходимости можно найти в двух моих первых статьях, а графики и реальные фотографии. Полагаю, такой подход менее утомителен и более убедителен для читателя, далекого от физики и математики.

В заключение этого небольшого вступления уместно также напомнить уважаемым читателям, что классическая безаберрационная теория, о которой пойдет речь в этой статье, тоже не является абсолютно точной. В ее основу положен ряд упрощающих допущений. Однако в подавляющем большинстве случаев классический подход дает хорошо согласующийся с практикой результат. Рассмотрение более тонких деталей выходит за рамки данной статьи (поправки на аберрации, применение специальной оптики и т.п.).

Степень нерезкости изображения

Некорректные интерпретации классической теории встречаются довольно часто. На мой взгляд, эта некорректность в первую очередь связана с непониманием степени точности, которую обеспечивает традиционный подход к определению границ резко изображаемого пространства. Действительно, одно дело — когда вне расчетной зоны резкость сразу сильно уменьшается, и совсем другое дело — когда вне зоны резкости изображение становится лишь чуть-чуть более размытым.

Попробуем объяснить ключевые моменты классической теории, анализируя степень размытости изображения для объектов, удаленных от камеры на различные расстояния. Иными словами, попробуем резкость объяснить через ее противоположность, то есть через степень размытости. В статье уже было описано, как можно получить формулу для описания степени размытости изображения за точкой фокусировки. Совершенно аналогичным образом можно получить математическое выражение и для величины нерезкости в области между камерой и объектом в фокусе. Универсальная формула для описания размытости изображения выглядит следующим образом:

Не волнуйтесь, уважаемые читатели, других формул в этой статье не будет! Да и эта маленькая формула приведена лишь для справки:-)

c = c" | 1 - d / d 0 |,

где
c - диаметр пятна, в которое размывается точка, удаленная от камеры на расстоянии d 0;
d - расстояние от камеры до точки точной фокусировки объектива;
c" - диаметр пятна, в которое размывается бесконечно удаленная точка
c" = f 2 /(dN) = (Mf)/N;
f - фокусное расстояние объектива;
N - диафрагменное число (число F) (1,4; 2; 2,8; 4, 5,6; 8; …);
M - масштаб съемки (M = f / d).

Две вертикальные черты |…| обозначают операцию вычисления абсолютной величины числа.

С точки зрения физического смысла, величину c можно рассматривать как диаметр воображаемой фотокисти, с помощью которой создается изображение на фотопленке. Чем меньше эта кисть, тем резче изображение.

Какие же основные выводы, можно сделать на основании приведенной формулы? Для ответа на этот вопрос проанализируем график полученной функции (рис. 1).

Как и следовало ожидать, в точке фокусировки (d 0 = d ) размытость отсутствует (c = 0 ). Строго говоря, благодаря дифракционным эффектам степень размытости точки в фокусе все же будет ненулевой. То есть, на практике, острый «клюв» в точке d 0 = d всегда будет сглажен (см. красный пунктир на рис. 1). Размер дифракционного пятна (то есть размер минимально достижимой точки на фотопленке) прямо пропорционален диафрагменному числу N. Его величину можно оценить по приближенной формуле N/1600 [мм]. Далее в тексте диффракционные ограничения не будут приниматься в расчет, так как в большинстве практических случаев типовой размер круга нерезкости (0,03 мм) больше размера дифракционного пятна. К тому же, обсуждаемые здесь противоречия между подходом Гарольда Мерклингера и классической теорией имеют отношение к довольно протяженным областям резкости, а не к малой окрестности возле точки точной фокусировки.

Рис. 1. Степень нерезкости для объектов, находящихся на различных расстояниях от камеры

За точкой фокусировки степень размытости растет. Чем больше расстояние от камеры до удаленной точки, тем выше степень размытости. Однако это вовсе не означает, что бесконечно удаленная точка будет бесконечно размыта. Степень размытости на бесконечности не превышает величины c" .

Перед точкой фокусировки по мере приближения объекта к камере степень его размытости на фотопленке возрастает гораздо резче. В точке, которая расположена точно посередине между камерой и объектом, на который она сфокусирована (d 0 = d/2 ), степень размытости будет такой же, как и на бесконечности.

На расстоянии в четыре раза меньшем расстояния фокусировки (d 0 = d/4 ) степень размытости в три раза превышает величину c" .

Как видно из графика, характер зависимости c" от d 0 довольно сложен, для того чтобы с легкостью заменить исходную формулу каким-либо упрощенным выражением. Тем не менее, для достаточно малой окрестности точки d приближенную формулу найти легко. Действительно, посмотрим на тот же самый график, построенный на компьютере в полном соответствии с анализируемой нами формулой (рис. 2).

За пределами «зеленой зоны» практически все приближенные методы дают неудовлетворительный результат, так как рассматриваемую нами кривую невозможно в целом заменить двумя прямыми линиями с удовлетворительной точностью.

Добиться линеаризации модели можно и другим способом. Например, можно с помощью нелинейного преобразование трансформировать плоскость пленки в некое новое пространство. Именно так и поступил Гарольд Мерклингер. Впрочем, не будем забегать вперед. О подходе Г. Мерклингера будет рассказано ниже.

Вычисление глубины резко изображаемого пространства

Как же, пользуясь нашим графиком, вычислить глубину резко изображаемого пространства? Нет ничего проще! Для этого надо провести на нем прямую горизонтальную линию, которая соответствует устраивающему нас кругу нерезкости. Пересечение этой линии с нашей кривой и даст нам классические расчетные точки глубины резко изображаемого пространства.

Классические формулы, которые обычно используют на практике, можно найти в .

Рассмотрим и прокомментируем наиболее типичные варианты. На графиках, которые помещены в приведенную ниже таблицу, синим пунктиром показан уровень c" . Сплошная горизонтальная зеленая линия соответствует устраивающему нас кругу нерезкости c 0 . Типовое (но, конечно, не единственно возможное) значение c 0 в узкоформатной фотографии равно 0,03 мм. Зеленая полоска под графиком изображает область резкости, которую дает применение классической теории.

!!! ПРИМЕЧАНИЕ: Графики в первом столбце таблицы демонстируют исключительно взаимное расположение различных линий, влияющих на область резкости. То, что на графиках A - D точка фокусировки находится на одном и том же расстоянии от начала координат, НЕ означает, что во всех этих случаях расстояние между камерой и объектом одно и то же. На всех графиках по горизонтальной оси отложено расстояние в единицах d , а по вертикальной оси — степень нерезкости в единицах c" .

A. c 0 << c"	Точки пересечения зеленой и красной линий попадают в «зеленую зону» (см. рис. 2). Область резкости расположена симметрично относительно точки фокусировки. Ее легко вычислить по приближенной формуле ± (c 0 N) / (M 2) (см. ) . Согласно классической теории, только в этом случае глубина резкости не зависит от фокусного расстояния при равномасштабной съемке. Легко показать, что условие c 0 << c" эквивалентно условию d << h , где h — гиперфокальное расстояние (см. ).
B. c"/2 < c 0 < c "	Случай съемки на расстояниях близких к гиперфокальному (но меньших). Область резкости становится несимметричной. На практике зона резкости порой выглядит больше расчетной величины. Действительно, пусть c 0 = 0,03 мм , а c" = 0,05 мм . Если при этих условиях фотография будет напечатана небольшим форматом, то зрителю будет казаться, что все на ней вышло резко, начиная с некоторого расстояния и до бесконечности; ведь 0,05 мм — тоже довольно малая величина. Однако на больших увеличениях убедиться в справедливости классической теории не составит труда.
C. c 0 = c"	Объектив сфокусирован на гиперфокальное расстояние. Задняя граница области резко изображаемого пространства отодвинулась в бесконечность. Передняя граница равна половине гиперфокального расстояния. На более близких дистанциях, степень размытости довольно быстро растет по мере уменьшения расстояния до камеры.
D. c 0 > c"	Объектив сфокусирован на точку, расположенную между гиперфокальным расстоянием и бесконечностью. Этот случай аналогичен предыдущему, однако теперь передняя граница области резкости (в метрах) будет расположена ближе по сравнению со случаем C .
E. c" = 0	Объектив сфокусирован на бесконечность. Чем ближе объект расположен к камере, тем сильнее он размыт. Ближняя граница зоны резкости совпадает с гиперфокальным расстоянием.

Важно понимать, что всё изложенное выше — обычный классический подход, но в несколько нетрадиционном изложении. Теперь перейдем к анализу теории Гарольда Мерклингера.

Альтернативный подход: анализ в пространстве объектов

В своей книге Гарольд Мерклингер сформулировал ряд претензий к удобству и точности классического подхода. На его взгляд, целесообразно вести анализ не в терминах допустимого круга нерезкости на плоскости плёнки, а в терминах разрешения деталей в пространстве снимаемых объектов. Звучит непонятно? Не беспокойтесь, основную идею подхода Гарольда Мерклингера понять довольно просто.

На рис. 3 приведена схема, на основе которой строят свои умозаключения практически все сторонники «метода объектного пространства». Объектив «смотрит» на объект рабочим отверстием, диаметр которого равен f/N . Расстояние между объективом и объектом в фокусе равно d . Глубина резко изображаемого пространства определяется допустимым расхождением пунктирных линий за объектом и перед ним. Мерклингер утверждает, что чем сильнее расходятся эти линии, тем меньше разрешение деталей в пространстве снимаемых объектов, а, следовательно, и меньше резкость. Допустимое расхождение пунктирных прямых условно показано на рисунке зелеными стрелками.

Рис. 3

О бъектное пространство Мерклингера и традиционно рассматриваемое пространство пленки связаны между собой через нелинейное преобразование. По сути, это один из возможных методов линеаризации исходной модели. Если говорить о разрешении в пространстве объектов, то переход к такой модели более чем оправдан. А вот оправдан ли он с точки зрения интуитивно понимаемой резкости?

При переходе к объектному пространству многие известные факты радикально трансформируются, что порождает массу недоразумений и неправильных трактовок. Далее будет предпринята попытка сопоставить классический подход и подход Г. Мерклингера с целью выявления и анализа наиболее явных расхождений между ними. Правда, закономерен вопрос: а можно ли вообще говорить о расхождениях в данном случае? Ведь сравниваются абсолютно разные вещи! Одно дело — пространство объектов, и совсем другое дело — плоскость пленки. Да, все так. Но ведь и Мерклингер ведет речь не о чем другом, а именно о резкости! Если бы он вел речь исключительно о разрешении или ввел бы еще какой-то новый термин, все встало бы на свои места. И не было никакой необходимости критиковать его. Ибо подход его верен, но к резкости он имеет лишь косвенное отношение. Говоря именно о резкости в рамках своей модели (то есть по сути переопределив это понятие), Мерклингер внес путаницу, ибо большинство читателей резкость понимает совсем не так. Говоря о противоречиях между класической теорией и подходом Мерклингера, автор этих строк попытался посмотреть на суть дела с точки зрения человека далекого от физики, то есть такого зрителя, который воспринимает понятие резкости в традиционном смысле. Смысл сравнения двух столь разных подходов состоит в ответе на один единственный вопрос: «какая из двух моделей наиболее соответсвует интуитивно понимаемой резкости?»

Итак, неискушенный читатель сталкивается прежде всего со следующими противоречиями:

1. Классическая теория говорит о том, что между камерой и точкой точной фокусировки степень нерезкости изменяется нелинейно, причем по мере приближения объектов к камере степень их размытости возрастает довольно резко. В объектном пространстве Мерклингера при тех же обстоятельствах диск нерезкости увеличивается линейно.

2. Пунктирные линии Мерклингера расходятся на бесконечно большую величину за объектом съемки. Классическая же теория говорит о том, что степень размытости точки на бесконечности ограничена величиной c" = f 2 /(dN) = (Mf)/N .

3. Вопреки классической теории, Мерклингер утверждает, что область резкости всегда расположена симметрично относительно объекта съемки.

4. Как следует из чертежа, приведенного на рис. 3, глубина резкости зависит только от масштаба изображения и величины диафрагмы, то есть при равномасштабной съемке глубина резко изображаемого пространства не зависит от фокусного расстояния. Действительно, если мы увеличим фокусное расстояние, скажем, в два раза, то для соблюдения равенства масштабов нам придется в такой же пропорции увеличить и расстояние до объекта съемки d . Но и апертура объектива f/N также увеличится в той же пропорции. Следовательно, пунктирные линии на рис. 3 будут пересекаться под тем же самым углом. С позиций классической теории, независимость глубины резкости от фокусного расстояния при равномасштабной съемке наблюдается только в пределах «зеленой зоны»
(см. рис. 2).

Мерклингер вполне осознавал степень расхождений между своим и традиционным подходами. Об этом он явно пишет в своей книге. Тем не менее, он так и не дал удачной рекомендации, когда следует пользоваться тем или иным способом, что и породило в результате массу заблуждений.

Итак: где же истина? Какой подход в большей мере соответствует интуитивно понимаемой концепции резкости?

Есть только один способ разрешить все эти вопросы — провести экспериментальные исследования.

Так зависит ли глубина резкости от фокусного расстояния?

Для ответа на этот вопрос достаточно сделать серию равномасштабных фотографий объективами с разным фокусным расстоянием.

Для участия в эксперименте в качестве модели был приглашен тукан Спаркис, самая терпеливая модель, имеющаяся в моем распоряжении. На рис. 4 Спаркис сфотографирован в свете вспышки. Это изображение позволяет читателю судить о том, как модель выглядит в реальности. В ходе последующих съемок вспышка не применялась, дабы ее свет не влиял на зрительное восприятие. Для проведения экспериментальных съемок тукан был усажен на табуретку, установленную перед портьерой. Расстояние от переднего края табуретки до портьеры было выбрано равным 70 см. В ходе эксперимента это расстояние не изменялось. Все фотографии были сделаны при одном и том же значении диафрагмы 4,5. Во всех случаях объектив был cфокусирован на портьеру, и масштаб съемки не изменялся (f/d = const ).

Рис. 4

Перед тем как обсудить результаты эксперимента, вспомним, что нам предсказывают рассматриваемые здесь теории?

По теории Мерклингера степень нерезкости тукана на всех фотографиях должна быть одной и той же. Или, по крайней мере, разрешение деталей на всех снимках должно быть одинаковым.

Согласно классическим представлениям, если для съемки в описанных условиях выбрать объектив с достаточно малым фокусным расстоянием, то съемка будет проходить вне «зеленой зоны» (см. рис. 2), при этом область резко изображаемого пространства перед точкой фокусировки будет меньше по сравнению с областью резкости за ней. По мере роста фокусного расстояния, передняя область резкости должна возрастать, а задняя уменьшаться. Этот процесс должен наблюдаться до тех пор, пока передняя область резкости не сравняется по протяженности с задней. В этом случае мы окажемся в «зеленой зоне». При дальнейшем увеличении фокусного расстояния глубина резкости меняться практически не будет.

Таким образом, д ля выявления ограниченности теории Мерклингера достаточно сделать снимки вне «зеленой зоны». Итак, посмотрим на результаты эксперимента.

Рис. 5. f = 35 мм	Рис. 6. f = 70 мм	Рис. 7. f = 140 мм

Для получения всех трех фотоизображений, показанных на рис. 5—7, было использовано одно и то же увеличение негативов. Напомню, что равномасштабность съемки означает одинаковый размер на пленке таблички, закрепленной на портьере. Размеры тукана, конечно же, должны быть неодинаковы. Именно поэтому первый рисунок больше второго и третьего.

Результаты говорят сами за себя. Если на первой фотографии (рис. 5) глаза тукана представляют собой лишь два туманных пятна, то на последней фотографии (рис. 7) они смотрятся уже вполне четко. Табуретка на рис. 7 также выглядит явно резче по сравнению с ее изображением на рис. 6. Надо обратить внимание также на то, что с ростом фокусного расстояния не только увеличивается область резкости (перед точкой фокусировки) в традиционном понимании этого слова, но и увеличивается разрешающая способность. Это наглядно видно по буквам на левом крыле тукана.

Скептики могут возразить, что тукан на рис. 7 меньше тукана на рис. 5, и именно этим обусловлена разность в резкости и четкости. Чтобы развеять подобные сомнения, приведу изображения, полученные с тех же самых негативов, но с разной степенью увеличения. При этом в каждом случае увеличение будет подобрано так, чтобы тукан на всех фотографиях был примерно одного и того же размера. Соответствующие фотографии приведены на рис. 8—10.

Рис. 8. f = 35 мм	Рис. 9. f = 70 мм	Рис. 10. f = 140 мм

Вновь видно, что и резкость и разрешающая способность в общем случае зависят от фокусного расстояния при равномасштабной съемке . Иными словами, можно утверждать, что справедливость классической теории в очередной раз доказана. Теория Мерклингера не очень подходит для описания резкости. И уж, конечно, нельзя применять этот приближенный подход для объектов, удаленных от камеры на расстояние меньше половины расстояния фокусировки.

	Замечание на отвлеченную тему Косвенным доказательством того, что в ходе эксперимента было зафиксировано изменение круга нерезкости, является наблюдаемое на рис. 9 явление раздвоенности линий (шнурок на голове тукана и буквы на его левом крыле). На рис. 8 и 10 этот эффект практически не заметен. Таким образом, в ходе проведения эксперимента получила наглядное подтверждение рекомендация: самое надежное средство борьбы с явлением раздвоения — изменить (увеличить или уменьшить) степень нерезкости изображаемых объектов.
	Замечание по сути Интересен также ответ на вопрос: а что бы мы наблюдали, если бы в ходе эксперимента поддерживался равный масштаб изображения как таблички, закрепленной на фоне, так и тукана? (Для этого нам пришлось бы увеличивать расстояние между туканом и табличкой пропорционально увеличению фокусного расстояния.) На этот вопрос и теория Мерклингера, и классическая теория дают одинаковый ответ: в этом случае степень нерезкости тукана будет прямо пропорциональна фокусному расстоянию. Эксперимент полностью подтверждает это. Однако я не буду здесь детально описывать его результаты, так как они не позволяют судить об отличиях теории Мерклингера от традиционного подхода.

Проверим теперь, насколько корректно теория Мерклингера описывает явления за точкой фокусировки.

Что же выбрать:
фокусировку на бесконечность или на гиперфокальное расстояние?

Гарольда Мерклингера чрезвычайно огорчила классическая рекомендация фокусироваться на гиперфокальное расстояние для достижения максимальной глубины резкости на фотографиях. Это и не удивительно. Согласно его теории, если объектив сфокусирован на любую точку, отличную от бесконечности, диск нерезкости в пространстве объектов (не путать с традиционным понятием «круг нерезкости»!) растет неограниченно за точкой фокусировки. Эту мысль наглядно иллюстрирует рис. 3, приведенный выше. Показанные на нем пунктирные линии неограниченно расходятся по мере увеличения расстояния от камеры. Бесконечное увеличение диска нерезкости в бесконечности приводит к значительному падению деталировки при изображении удаленных объектов.

Что же предлагает Мерклингер? Его совет прост: дабы избежать упомянутого расхождения линий надо сфокусировать объектив на бесконечность (см. рис. 11). В этом случае расстояние между пунктирными линиями будет постоянным. Все изображаемое пространство в этом случае как бы сканируется трубкой с постоянным диаметром, равным f/N . Для определения границ области резкости в этом случае рекомендуется оценить, можно ли будет разрешить два объекта на заданном расстоянии при сканировании пространства трубкой указанного диаметра.

Рис. 11

Согласно теории Мерклингера, фокусируясь на бесконечность вместо гиперфокального расстояния, мы существенно выигрываем в резкости и деталировке удаленных планов.

Что же на сей счет говорит классическая теория?

На рис. 12 показан график, демонстрирующий, как степень нерезкости зависит от расстояния в двух случаях: при фокусировке на гиперфокальное расстояние (красная кривая) и при фокусировке на бесконечность (синяя кривая). Как видно из сравнения этих двух графиков, при наличии в кадре объектов, расположенных ближе, чем два гиперфокальных расстояния (2h ), следует фокусироваться на гиперфокальное расстояние. Если все сюжетно важные объекты, расположены дальше, чем 2h , следует предпочесть фокусировку на бесконечность.

Рис. 12 (c 0 = c")

Следует еще раз подчеркнуть, что, согласно классической теории, фокусировка на гиперфокальное расстояние вполне разумна и для объектов, удаленных на бесконечность, так как размер воображаемой фотокисти, с помощью которой создается изображение на пленке, будет для бесконечно удаленных объектов ограничен величиной c" .

Теперь перейдем к экспериментам. Прежде всего, убедимся, что расхождение прямых линий, показанных на рис. 3, не ведет ни к каким катастрофическим последствиям. Разрешение в объектном пространстве, конечно же, падает. Но к резкости это не имеет практически никакого отношения.

Проще всего убедиться в этом, сфотографировав ночью любую дорогу или улицу, вдоль которой расположены одинаковые фонари (рис. 13). Кстати, Мерклингер написал, что его правила работают лучше, чем традиционные рекомендации в тех случаях, когда в кадре есть много одинаковых предметов на разном удалении от камеры (Chapter 9 в его книге). Именно такой случай и показан на рис. 13. Поэтому, этот городской пейзаж сможет рассказать нам о многом. Фотография на рис. 13 всего лишь показывает, какой объект съемки был выбран для эксперимента. Сам эксперимент — впереди.

Рис. 13

Для ответа на поставленный нами вопрос, посмотрим, как будет выглядеть этот вид при фокусировке объектива на близлежащую точку.

На рис. 14 показан тот же самый вид, что и на рис. 13, однако объектив в данном случае был сфокусирован на расстояние 1,5 м. Фрагмент, выделенный желтой рамкой, показан крупно на рис. 15. Все выглядит точно так, как предсказывает классическая теория. Блик от источника света, удаленного на 100 м (зеленое пятно от светофора), имеет такой же размер, что и менее интенсивные блики от фонарей, удаленных более чем на 300 м (пятна, расположенные рядом со светофорным бликом).

На рис. 16. тот же вид показан с еще большей степенью нерезкости. Тут уже и без всякого увеличения видно, что при удалении источника света от камеры, формируемый им блик не увеличивается в диаметре. Иными словами, все, что удалено на 10 м, и все, что удалено на 500 м., «рисуется» на пленке фотокистью одного и того же размера. Этот факт позволяет нам надеяться, что расхождение пунктирных линий на рис. 3 не грозит катастрофическими последствиям. Тут, правда, надо вспомнить, что Мерклингер говорит о разрешении, а не о резкости.

Рис. 16. f = 50 мм; N = 2; d = 1,5 м

Но имеет ли смысл такая подмена понятий? Попробуем разобраться. Действительно, надо признать, что по мере удаления от камеры в пятно фиксированного диаметра будет «помещаться» все больше и больше деталей заданного размера. То есть, с ростом расстояния от камеры разрешающая способность падает. И в этом смысле Мерклингер прав. Однако опасаться такого положения вещей не следует, так как оно более чем естественно. С очень большой вероятностью любой человек с отличным зрением не узнает черты лица близкого знакомого с расстояния 100 м. Что же в этом противоестественного? Даже если ваш глаз сфокусирован на бесконечность, вы не вправе ожидать, что разрешающая способность для удаленных объектов будет такой же, как и для близких.

Иное дело — контурная резкость. При фокусировке глаза на бесконечность мелкие детали удаленных объектов будут не видны (вернее, не различимы), но контуры крупных элементов будут вполне четко очерчены. Предположим, вам надо изобразить на картине шпиль, сложенный из черепицы. Если в выбранном масштабе толщина шпиля должна быть равной 2 мм, и у вас есть кисточка как раз такого размера, то, конечно же, вы сможете показать сам шпиль на фоне неба как довольно резкий объект. Отдельных же черепиц, которыми выложен шпиль, вы показать с помощью такой кисточки не сможете. Ну и что? Разве это имеет отношение к резкому рисунку шпиля на фоне неба?

Иногда, чтобы продемонстрировать приоритет разрешения деталей, сторонники подхода Мерклингера говорят: «Для зрителя важней всего способность различать каждый листик, показанный на пейзаже. Если все листики на деревьях различимы, то зритель считает изображение резким» . Но это совсем не так! Если различимые листики не будут иметь четких контуров, а будут изображены как мутные пятна, то с вероятностью 99% любой зритель скажет «нерезко!», и будет прав. Я даже рискну сформулировать более крамольную мысль (с позиций Мерклингера): вообще, если речь идет именно о резкости, то абсолютно неважно, различимы ли отдельные листики на деревьях или нет. Живописец может не заниматься прорисовкой (прописью) отдельных листиков, а дерево все равно будет восприниматься зрителем как резкий объект. В чем тут дело? Ответ прост: если контур дерева на фоне прорисован четко, то изображение воспринимается как резкое. И, напротив, если контур размыт, то нерезкость сразу бросается в глаза вне зависимости от числа различимых деталей.

Иными словами, я хочу сказать, что понятие резкости гораздо лучше передает идея фотокисти (работающей в пространстве картины) достаточно малого размера, нежели концепция разрешения мелких деталей в пространстве объектов. Взгляните еще раз на рис.8. Что с того, что глаза тукана на нем можно различить? Ведь это не делает изображение резким.

А коль скоро все это так, нет ничего страшного в фокусировке на гиперфокальное расстояние, даже если речь идет об очень удаленных объектах.

Теперь перейдем от рассматривания ночных бликов и теоретических размышлений к сравнению двух реальных фотоизображений. Для проверки рекомендаций Мерклингера и классической теории я решил сфотографировать довольно протяженный городской вид (рис. 17). Расстояние от камеры до ближайшего фонарного столба в кадре составило примерно 20 м. Расстояние до красного рекламного щита на удаленном доме примерно равно 250 м. Съемка производилась объективом с фокусным расстоянием 50 мм. При типовом круге нерезкости, равном 0,03 мм, и диафрагме 4 гиперфокальное расстояние будет равно 21 метру. Цель эксперимента — посмотреть, насколько резко будут показаны передний и задний планы при фокусировке на бесконечность и при фокусировке на гиперфокальное расстояние. Интересно также проверить, действительно ли деталировка заднего плана существенно улучшается, если объектив сфокусировать на бесконечность? Рис. 17 просто показывает нам общий вид в целом. Для ответа на поставленные вопросы мы будем анализировать увеличенные фрагменты соответствующих фотографий.

Рис. 17

Фрагменты фотографий, приведенные на рис. 18 и 19, позволяют получить некоторое представление о различиях в изображении дальних планов в двух рассматриваемых случаях. Рекламный щит с надписью BAZAAR находился от камеры на расстоянии в 10 раз больше гиперфокального, то есть практически на бесконечности.

Выигрыш в деталировке и резкости для случая фокусировки на бесконечность не столь уж и очевиден, как можно было бы ожидать, исходя из теории Мерклингера. Для того чтобы получить изображения, показанные на рис. 18 и рис. 19, я сканировал негативы с разрешеним 2820 dpi. При таком разрешении на диаметре типового круга нерезкости (0,03 мм) укладывается три пикселя. Конечно, я не сомневаюсь, что, если бы негативы сканировались с разрешением, скажем, 4000 dpi, то различия были бы более явными. Тем не менее, уместно задать вопрос: а так ли уж значительны и очевидны преимущества фокусировки на бесконечность? Если мы не намерены печатать крупным планом с узкого негатива выкадровку 2 х 3 мм, то возьму на себя смелость утверждать, что выигрыш ничтожно мал.

Теперь посмотрим на различия в изображении переднего плана (рис. 20 и 21).

Расстояние до изображенного фрагмента автомобиля было равно примерно 6 м. Степень увеличения на рис. 20 и 21 такая же, что и на рис. 18 и 19. В этом случае не надо напрягать глаза, чтобы понять, что фрагмент, получе

Практическая работа Обработка графической информации, содержит 12 заданий по соответствующей теме (работа подойдет для учащихся 8 класса занимающихся по УМК Босовой).

Задание 1. Работа с графическими примитивами.

ВАЖНО!
Для рисования графического примитива (прямоугольника, скруглённого прямоугольника, эллипса) нужно щёлкнуть на кнопке с его изображением на панели инструментов, переместить указатель мыши в рабочую область, нажать левую кнопку мыши и, не отпуская её, перемещать указатель мыши по диагонали, следя за изображением на экране. Для изображения квадрата и круга при использовании соответствующих инструментов удерживают нажатой клавишу Shift .

Чтобы изменить ширину контура для фигур, получаемых с помощью инструментов Прямоугольник , Эллипс и Скругленный прямоугольник , следует предварительно активизировать инструмент Линия (вкладка Главная группа Фигуры ) и в его меню настройки указать требуемую ширину.

1. Запустите графический редактор Paint .
2. Установите размеры области для рисования: ширина - 1024 пиксела, высота - 512 пикселей. Главная > Изображения > Изменить размер .
3. Повторите приведённый ниже рисунок, используя инструменты Линия , Прямоугольник , Скругленный прямоугольник и Эллипс .

4. Сохраните результат работы в личной папке:
в файле p1.bmp как 24-разрядный рисунок;
в файле p2.bmp как 256-цветный рисунок;
в файле p3.bmp как 16-цветный рисунок;
в файле p4.bmp как монохромный рисунок;
в файле р5.jреg ;
в файле p5.gif .
5. Сравните размеры полученных файлов и качество сохранённых в них изображений.

Задание 2. Выделение и удаление фрагментов

1. В графическом редакторе откройте файл Устройства.bmp .

2. Оставьте на рисунке только устройства ввода, а всё лишнее удалите, предварительно выделяя фрагменты с помощью инструмента Выделить . Главная > Изображения > Выделить .
3. Сохраните рисунок в личной папке под именем Устройства_ввода .

Задание 3. Перемещение фрагментов

Сказка.bmp .

2. С помощью инструмента Выделение поочередно выделите прямоугольные, прозрачные фрагменты и переместите их так, чтобы сказочные персонажи обрели свой истинный вид.

Задание 4. Преобразование фрагментов

1. В графическом редакторе Paint откройте файл Стрекоза.bmp .

2. Поочерёдно выделите прямоугольные фрагменты (прозрачный фон), при необходимости поверните их (команда Повернуть меню Изображения ) и переместите их так, чтобы получилась иллюстрация к басне И. Крылова «Стрекоза и муравей».
3. Сохраните результат работы в личной папке.

Задание 5. Конструирование сложных объектов и графических примитивов

ВАЖНО!
Сложные объекты желательно изображать по частям. Изображайте каждый из примитивов отдельно. Затем поочерёдно выделяйте их (инструмент Выделение , режим Прозрачный фрагмент ) и перетаскивайте в нужное место.

2. Изобразите один из следующих рисунков:

3. Сохраните результат работы в личной папке под именем Мой_рисунок .

Задание 6. Создание надписей

1. В графическом редакторе Paint откройте файл Панель.bmp .
2. С помощью инструмента Текст подпишите инструменты графического редактора Paint

3. Сохраните рисунок в личной папке в файле Панель1.bmp .

Задание 7. Копирование фрагментов

1. Запустите графический редактор Paint.
2. Взяв за основу следующую последовательность действий, изобразите шахматную доску.

3. Подпишите строки и столбцы шахматной доски.
4. Сохраните рисунок в личной папке под именем Шахматная_доска .

Задание 8. Работа с несколькими файлами

Скачайте файлы для работы:

1. В графическом редакторе Paint откройте файл Схема.bmp.
2. Проиллюстрируйте схему, добавив в неё изображения соответствующих устройств из файлов Оперативная Память.bmp, Винчестер.bmp, Диск.bmp, Дискета.bmp, Флэшка.bmp. Для удобства откройте каждый из этих файлов в новом окне. Копируйте нужные изображения в буфер обмена и вставляйте в нужные места схемы.

3. Сохраните полученный результат в личной папке под именем Схема1 .

Задание 9. Получение копии экрана

1. Запустите графический редактор Paint, минимизируйте его окно и сделайте копию этого окна (клавиши Alt+PrintScreen - нажать одновременно).
2. Разверните окно графического редактора Paint на весь экран и разместите полученное изображение в центре рабочей области (вкладка Главная , группа Буфер обмена , кнопка Вставить ), подпишите основные элементы интерфейса.
3. Сохраните результат работы в личной папке под именем Paint .

Задание 10. Создание анимации

1. Откройте в графическом редакторе Paint файл Акробат.bmp .
2. Скопируйте и отразите имеющийся фрагмент, совместите две половинки и раскрасьте получившуюся фигурку акробата. Сохраните полученное изображение в личной папке в файле a1.gif .
3. Копируя, перемещая и удаляя отдельные части изображения, внесите изменения в фигурку акробата (например, изобразите акробата с опущенными вниз руками). Сохраните полученное изображение в личной папке в файле a2.gif .

4. Зайдите на сайт https://www.gifup.com/ и, следуя имеющимся там инструкциям, создайте анимацию за счёт многократного повторения двух кадров.
5. Сохраните результат работы в личной папке.

Задание 11. Художественная обработка изображений

1. Запустите графический редактор Gimp.
2. Откройте в графическом редакторе Paint файл mamont.jpg .
3. Примените к исходному изображению различные фильтры так, чтобы результат был близок к тому, что приведён на рисунке ниже.

4. Сохраните свои результаты в файлах mamont1.jpg , mamont2.jpg , mamont3.jpg и mamont4.jpg .

Задание 12. Масштабирование растровых и векторных изображений

1. В графическом редакторе Paint постройте следующее изображение:

2. Сохраните результат работы в личной папке как 24-разрядный рисунок (тип файла).
3. Выделите любой фрагмент рисунка. Несколько раз уменьшите и увеличьте выделенный фрагмент. Понаблюдайте за тем, как операции масштабирования влияют на качество изображения.
4. Выполните такой же рисунок в графическом редакторе OpenOffice.org Draw. Сохраните результат работы в личной папке как Рисунок ODF (тип файла).
5. Выделите любой фрагмент рисунка. Несколько раз уменьшите и увеличьте выделенный фрагмент. Понаблюдайте за тем, как операции масштабирования влияют на качество изображения.
6. Завершите работу с графическими редакторами.

 

---

Читайте:
Да уж, теперь не разгонишься Презентация на тему ""Уроки французского" В Названия, описания и особенности зимующих птиц Разговорный стиль речи Порядок слов в предложении свободный Сочинение рассуждение на тему деньги Какое значение имеют деньги в жизни человека