Analiza vizuelnih informacija fotografije uz različite pristupe pikselizaciji, primjenom logike quadtree data strukture – faza II

Metodologija istraživanja se bazira na dvije metode:

Metoda 1 – Pikselizacija zasnovana na homogenosti poligona

Ova metoda koristi Grasshopper kako bi stvorila adaptivnu geometriju na osnovu homogenosti boja na slici.

Osnovni princip:

1. Analiza površine: Proces počinje s površinom (pravougaonikom). Ta se površina zatim iterativno dijeli na manje poligone.
2. Provjera homogenosti: Za svaki poligon, Grasshopper uzorkuje boju sa originalne slike na više tačaka. Zatim, provjerava da li je raspon boja unutar tog lica ispod zadatog praga.
   1. Ako je boja homogena (ispod praga), poligon se smatra “finalizovanim” – prestaje se s daljim dijeljenjem, a taj poligon postaje jedan veliki “piksel” koji dobija prosječnu boju.
   1. Ako boja nije homogena (iznad praga), poligon se ponovo dijeli na manje dijelove, a proces analize se ponavlja u sljedećoj iteraciji.

Ova metoda se nastavlja sve dok se svi dijelovi površine ne svedu na homogenu cjelinu, što rezultira optimizovanom mesh mrežom koja ima velike poligone u oblastima ujednačene boje i male, detaljne poligone tamo gdje se boja često mijenja.

Metoda 2 – Pikselizacija zasnovana na homogenosti bloka piksela

Ova metoda koristi Python programski jezik kako bi pikselizovala sliku na osnovu homogenosti boja. Umjesto fiksne veličine piksela, algoritam se prilagođava sadržaju slike.

Osnovni princip:

• Analiza bloka: Algoritam tretira cijelu sliku kao jedan veliki pravougaonik. Zatim, unutar tog pravougaonika, izračunava se raspon boja – razlika između najsvjetlije i najtamnije boje piksela.
• Provjera homogenosti: Dobijeni raspon boja se poredi sa unaprijed definisanim pragom homogenosti.

1. Ako je raspon boja ispod praga, blok se smatra homogenim. Svi pikseli unutar tog bloka dobijaju prosječnu boju, čime se stvara jedan veliki “piksel”.
2. Ako je raspon boja iznad praga, boje se smatraju previše različitim. Pravougaonik se zatim rekurzivno dijeli na četiri manja bloka, a proces analize se ponavlja za svaki od njih.

Ova metoda se nastavlja sve dok se svi blokovi ne svedu na homogenu cjelinu, što rezultira slikom sa “pikselima” različite veličine, prilagođenim detaljima originalne slike.

Dalji tok istraživanja će se bazirati na poređenju rezultata pikselizacije dobijenih korišćenjem Grasshopper-a i Python-a, pronalaženju granice prepoznatljivosti na osnovu određenih matematičkih algoritama, a potom i definisanju tačnog broja podjela za prepoznatljivu sliku.