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:
Analiza površine: Proces počinje s površinom (pravougaonikom). Ta se površina zatim iterativno dijeli na manje poligone.
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.
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.
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.
grasshopper kod
Metoda 2 – Pikselizacija zasnovana na homogenosti blokapiksela
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.
Ako je raspon boja ispod praga, blok se smatra homogenim. Svi pikseli unutar tog bloka dobijaju prosječnu boju, čime se stvara jedan veliki “piksel”.
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.
python kod
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.
Tema istraživanja: Istraživanje različitih pristupa pikselizaciji koristeći se logikom quadtree data strukture
Stanje u oblasti: Pikselizacija podrazumijeva metod digitalne obrade fotografije, tako što grupe piksela mijenja većim, smanjujući rezoluciju slike. Ona se koristi u raznim sferama poput (a što su ujedno i prednosti): anonimizacije – zaštita lica i privatnosti; kompresovanja – optimizacija memorije koju određeni fajl zauzima što je direktno povezano sa brojem piksela određene fotografije, s obzirom na to da svaki piksel zauzima 24 bita odnosno 3 bajta za RGB; skrivanje – prilikom gubljenja određenih informacija tokom transporta podataka; arhitektura – objekti poput: Etnografskog muzeja u Budimpešti čiju fasadu čine pikseli koji predstavljaju etografske motive iz kolekcije muzeja; Downtown One u Tirani, čija je fasada koncipirana kao „pikselizovana mapa Albanije; umjetnost – instalacije poput Pixel Cloud Instalation koja je bila izložena Rejkjaviku; mnogobrojne pikselizovane street art umjetničke strukture; video igre – minecraft kao najpoznatija igrica zasnovana baš na pikselima; princip quadtree data strukture se koristi takođe u video igrama gdje su objekti u pozadini prikazani sa manjim brojem piksela; urbanizam – dizajn popločanja.
Kao jedan od metoda koji se koristi za pikselizaciju je quadtree struktura podataka. Struktura podataka u obliku stabla u kojoj svaki unutrašnji čvor ima tačno četvoro djece i koja se koristi za podjelu dvodimenzionalnog prostora rekurzivnim dijeljem na četiri kvadranta. („Simplified quadtree image segmentation for image annotation” Hugo Jair Escalante, Luis Enrique Sucar ) U ovom radu je precizno objašnjeno na kojim način quadtree struktura funkcioniše, što bi se na primjeru fotografije primjenilo ovako: dovoljno slične piksele (čiji nivo sličnosti se zadaje) spojiti u zajednički kvadrat „average“ boje, dok različite rekurzivno nastavljaju da se dijele dok se ne postigne dovoljan – odnosno zadat nivo preciznosti. Od parametara se zadaju: MQS – minimalna veličina kvadrata koji nastaje rekurzivnim dijeljem; MOS – minimalna veličina objekta koju objekat treba da ima da bio bio prepoznat kao zaseban segment; HI – prag homogenosti pokazuje koliko dva susjedna segmenta moraju biti slična da bi bila spojena. (Pixelization approach for façade integrated coloured photovoltaics-with architectural proposals in city context of Trondheim, Norway – Changying Xiang, Barbara Szybinska Matusiak, Arne Røyset, Tore Kolås) – Upotreba pikselizacije na nivou arhitekture: Integrisanje fotonaponskih panela, koje su nastale pikselizovanjem fasade u koje su uklopljene lokalne palate boja pokazuje da pikselizacija u arhitekturi može spojiti estetiku, energetske zahtjeve i urbanističku inetpolaciju. Međutim, postavlja se pitanje ekonomske efikasnosti samih panela, i ne samo to nego i načina održavanja istih, refleksije i da li se boje panela moraju biti jedini vizuelni aspekt koji će se čitati sa fasade? Cilj je da pikselizacijom (quadtree metod) možemo bilo koju fotografiju podijeliti na određeni broj piksela, pri čemu je suština da se sa što manje panela, napravi željena fasada, umjetnička street art struktura, interfejs za određenu video igru i slično. I naravno, da sve to bude vizuelno vjerodostojno i prepoznatljivo. Vrste quadtree strukture su: point quadtree – struktura koja se bazira na pojedinačne tačke gdje svaki čvor za centar ima jednu tačku i dijeli se na četvoro djece; region quadtree – struktura dijeli prostor na kvadrante prema zadatim uslovima; edge quadtree – struktura koja se fokusira na ivice i rubove fotografije; PR (polyigonal/pruned) quadtree – kvadranti se prilagođavaju broju objekata ili boji piksela. Prednosti quadtree stabla: ove strukture vrlo brzo vrše promjenu i ažuriranje određene regije; adaptivna rezolucija; intuitivnost prilikom upotrebe, široka primjena -obrada i kompresovanje slika -dovoljno slične regione spaja u jedan čvor i samim tim smanjuje memoriju fotografije; koristi se u geografsko-informacionim sistemima za pretraživanje prostornih podataka; računarska grafika i video igre; moguća primjena je i na nivou arhitekture – fasade koje iz daljine čine smislenu cjelinu, a iz blizine djeluje kao besmisleni segment, slično tome je moguća primjenjivost i na umjetnost. /https://opensourcegisdata.com/quad-tree-geospatial-data-structure-functionality-benefits-and-limitations.htmlhttps://en.wikipedia.org/wiki/Quadtreehttps://www.youtube.com/watch?v=jxbDYxm-pXghttps://www.gradnja.rs/mvrdv-tirana-albania-downtown-one-zgrada/https://www.gradnja.rs/etnografski-muzej-budimpesta-ferencz-marcel-napur-architect/ “Quadtrees and Image Processing” – CS 151- Introduction to Data Structures Assignment 9- due Friday 5/5
Problemi: Ukoliko se neadekvatno unesu kriterijumi izazivaju previše ili premalo podjela i gubitak efikasnosti ove strukture; potencijalni problem se može javiti kada su u pitanju neki dinamički podaci – dodavanje i uklanjanje tačaka može uticati na raspored unutar strukture stabla; quadtree se koristi za dvodimenzionalne podatke, kako rastu dimenzije broj djece svakog čvora eksponencijalno raste što može dovesti do neefikasnosti stabla.
Cilj: Analizirati na koji način različiti načini pikselizacije, primjenom logike quadtree strukture, utiču na vizualne informacije odabrane fotografije.
Hipoteza: Minimalna veličina objekta treba da bude 16×16 piksela, kako bi elementi fotografije bili dovoljno prepoznatljivi.
Kriterijumi: Slika mora biti prepoznatljiva nakon pikselizacije; slika mora biti optimizovana; pikselizovana forma mora biti primjenjiva kao fasada sa panelima.
Metode: Analiza i sinteza koje su zasnovane na komparaciji dobijenih rezultata pri pikselizaciji određene fotografije.
