{"id":22515,"date":"2025-09-19T22:10:19","date_gmt":"2025-09-19T21:10:19","guid":{"rendered":"https:\/\/www.arhns.uns.ac.rs\/givsf\/?p=22515"},"modified":"2025-09-22T18:00:03","modified_gmt":"2025-09-22T17:00:03","slug":"analiza-vizuelnih-informacija-fotografije-uz-razlicite-pristupe-pikselizaciji-primjenom-logike-quadtree-data-strukture-faza-iii","status":"publish","type":"post","link":"https:\/\/www.arhns.uns.ac.rs\/givsf\/analiza-vizuelnih-informacija-fotografije-uz-razlicite-pristupe-pikselizaciji-primjenom-logike-quadtree-data-strukture-faza-iii\/","title":{"rendered":"Analiza vizuelnih informacija fotografije kroz pikselizaciju zasnovanu na quadtree strukturi – faza III"},"content":{"rendered":"\n

Analiza i komparacija rezultata Grasshopper\/Python<\/strong><\/p>\n\n\n\n

Za istra\u017eivanje su odabrana dva poznata umjetni\u010dka djela \u2013 \u201eDama sa hermelinom\u201c<\/strong> Leonarda da Vin\u010dija i autoportret Fride Kalo<\/strong>. Razlog za ovakav izbor le\u017ei u njihovim razli\u010ditim koloritskim osobinama: u prvom slu\u010daju dominira tamna pozadina sa ujedna\u010denim tonovima i bez izra\u017eenih prelaza izme\u0111u nijansi, dok drugo djelo karakteri\u0161e bogatiji i raznovrsniji kolorit. Upravo zbog tog kontrasta u koloritu, ova dva djela uzeta su kao osnov za posmatranje i analizu.<\/p>\n\n\n\n

Autoportret Fride Kalo:<\/strong><\/em><\/p>\n\n\n\n

\"\"<\/a>
Rezultati dobijeni u Python-u<\/figcaption><\/figure>\n\n\n\n

Istra\u017eivanje je obuhvatilo tri nivoa iteracija \u2013 3, 5 i 7. U Python-u<\/em><\/strong> se jasno uo\u010dava da pove\u0107anjem broja iteracija raste i stepen detaljnosti, jer se proces rekurzije ponavlja vi\u0161e puta. Paralelno, vi\u0161i prag homogenosti (threshold) dovodi do ve\u0107ih i ujedna\u010denijih kvadrata. Kod iteracije tri<\/em><\/strong> kvadrati su skoro iste veli\u010dine pri ni\u017eim granicama homogenosti, pa je lik te\u0161ko prepoznati. Sa pet iteracija<\/em><\/strong> slika postaje osjetno razlo\u017eenija, naro\u010dito pri ni\u017eim pragovima, dok se prepoznatljivost gubi za granicu homogenosti 30. Najve\u0107i broj iteracija – sedam<\/em><\/strong>, daje najdetaljniji prikaz \u2013 oblik ostaje \u010ditljiv sve do praga 30, a tek tada dolazi do gubitka jasno\u0107e, ali i ne prelaska u potpuno apstraktnu formu.<\/p>\n\n\n\n

\"\"<\/a>
Rezultati dobijeni u Grasshopper-u<\/figcaption><\/figure>\n\n\n\n

U Grasshopper-u<\/em><\/strong> je istra\u017eivanje sprovedeno tako\u0111e za tri nivoa iteracija \u2013 3, 5 i 7. Kao i u Python-u, pove\u0107anjem broja iteracija raste stepen detaljnosti, dok vi\u0161i prag homogenosti dovodi do spajanja u ve\u0107e kvadrate i gubitka detalja. Kod tri iteracije<\/em><\/strong> rezultati su vrlo sli\u010dni onima u Python-u: kvadrati su skoro iste veli\u010dine za ni\u017ee pragove homogenosti, a lik se te\u0161ko mo\u017ee prepoznati. Me\u0111utim, razlike postaju izra\u017eenije kod pet iteracija<\/em><\/strong> \u2013u Grasshopperu se prepoznatljivost gubi ve\u0107 za granicu homogenosti 10 i lik prelazi u apstraktnu formu. Kod sedam iteracija<\/em><\/strong> ovaj efekat je jo\u0161 izra\u017eeniji: prepoznatljivost lika nestaje ve\u0107 na pragu od 10, a slika gubi osnovne detalje, iako nije potpuno apstraktan prikaz.<\/p>\n\n\n\n

Prema dobijenim rezultatima mo\u017ee se zaklju\u010diti da je Python u ovom primjeru generisao postepeniji prelaz izme\u0111u nivoa detalja u zavisnosti od granice prepoznatljivosti, dok je Grasshopper davao grublje podjele.<\/p>\n\n\n\n

\u201eDama sa hermelinom\u201c, Leonardo da Vin\u010di<\/em>: <\/strong><\/p>\n\n\n\n

\"\"<\/a>
Rezultati dobijeni u Python-u<\/figcaption><\/figure>\n\n\n\n

U oba alata istra\u017eivanje je sprovedeno za tri nivoa iteracija \u2013 4, 6 i 8. Kod \u010detiri iteracije<\/em><\/strong> kvalitet prikaza je lo\u0161iji: javlja se gruba podjela, me\u0111utim prepoznatljivost lika se nazire. Sa \u0161est iteracija<\/em><\/strong> struktura postaje jasnija i detaljnija, dok osam iteracija<\/em><\/strong> donosi izrazito detaljan rezultat, naro\u010dito pri ni\u017eim pragovima homogenosti. Me\u0111utim, kod vrijednosti praga homogenosti 30 i vi\u0161e dolazi do prekida rekurzivnog dijeljenja ve\u0107 nakon druge rekurzije \u2013 pretpostavlja se da je uzrok u jednoli\u010dnom koloritu tamne pozadine, gdje algoritam visoku homogenost prepoznaje kao kriterijum za zaustavljanje. Kao rezultat, prepoznatljivost lika prestaje ve\u0107 na pragu homogenosti od 20, jer se detaljno analizira samo polovina, odnosno \u010detvrtina slike.<\/p>\n\n\n\n

\"\"<\/a>
Rezultati dobijeni u Grasshopper-u<\/figcaption><\/figure>\n\n\n\n

U Grasshopper-u<\/em><\/strong> se uo\u010dava sli\u010dno pona\u0161anje kao i u Python-u. \u010cetvrta iteracija<\/em><\/strong> daje prepoznatljive rezultate pri ni\u017eim pragovima homogenosti, dok \u0161esta iteracija<\/em><\/strong> pru\u017ea jasniju strukturu, ali uglavnom pri ni\u017eim pragovima homogenosti. Najdetaljniji prikaz javlja se kod osam iteracija<\/em><\/strong>, gdje slika poprima izra\u017eenu pikselizaciju. Ipak, za sve nivoe iteracija prepoznatljivost lika prestaje ve\u0107 na pragu homogenosti 30. Razlika u odnosu na Python ogleda se u tome \u0161to Grasshopper daje ujedna\u010deniju raspodjelu kvadrata, pa je podjela vizuelno skladnija iako gubi detalje u istom rasponu pragova.<\/p>\n\n\n\n

Dakle, za ovaj slu\u010daj mo\u017ee se ista\u0107i da se oba programa pona\u0161aju sli\u010dno, ali rezultati u Grasshopperu djeluju ujedna\u010denije i vizuelno skladnije, dok Python pokazuje naglije prelaze i ve\u0107e razlike u veli\u010dini kvadrata.<\/p>\n\n\n\n

Zaklju\u010dak za analizu i komparaciju rezultata:<\/strong> Grasshopper i Python daju lako uporedive rezultate, jer se algoritam rada u ovom slu\u010daju poklapa. Ipak, postoje razlike izme\u0111u njih koje su uo\u010dene prilikom ispitivanja razli\u010ditih slu\u010dajeva. Iako je zanemarivo, postoji razlika u vremenskom izvr\u0161avanju, odnosno generisanju rezultata. Python, nezavisno od iteracija i granice homogenosti \u2013 rezultate daje br\u017ee, dok Grasshopper-u treba ne\u0161to vi\u0161e vremena za slu\u010daj kad postoji vi\u0161e iteracija \u2013 \u0161to se u ovom slu\u010daju ne smatra manom jer nisu analizirane previsoke vrijednosti iteracija. Kako se metodologija zasniva na analizi prosje\u010dnih vrijednosti piksela, kod slika sa slabijim koloristi\u010dkim varijacijama ve\u0107i prag homogenosti dovodi do gubitka detalja i slabijih rezultata. S obzirom na logiku quadtree strukture, algoritam daje znatno kvalitetnije rezultate u slu\u010dajevima bogatijeg kolorita, gdje varijacije u nijansama podsti\u010du dublje rekurzivno dijeljenje.<\/p>\n\n\n\n

Analiza prepoznatljivosti<\/strong><\/p>\n\n\n\n

Analiza prepoznatljivosti je bazirana na kombinaciji li\u010dne percepcije, koja je dopunjena algoritmima SSIM<\/strong> i PSNR<\/strong>.<\/p>\n\n\n\n

PSNR (Peak Signal-to-Noise Ratio)<\/strong> mjeri matemati\u010dku razliku intenziteta po pikselima izme\u0111u originalne i obra\u0111ene slike izra\u017eenu u decibelima. Ve\u0107e vrijednosti (30 dB i vi\u0161e) ukazuju na ve\u0107u sli\u010dnost, dok ni\u017ee vrijednosti (ispod 20 dB) ukazuju na manju sli\u010dnost.<\/p>\n\n\n\n

SSIM (Structural Similarity Index)<\/strong> mjeri koliko se struktura, kontrast i osvijetljenost podudaraju u dvije slike. Vrijednosti bli\u017ee 1 ukazuju na veliku sli\u010dnost, dok vrijednosti ispod 0.5 zna\u010de da je slika vizuelno neprepoznatljiva.<\/p>\n\n\n\n

\"\"<\/a>
Analiza prepoznatljivosti autoportreta Fride Kalo za broj iteracija i=3<\/figcaption><\/figure>\n\n\n\n
\"\"<\/a>
Analiza prepoznatljivosti autoportreta Fride Kalo za broj iteracija i=5<\/figcaption><\/figure>\n\n\n\n
\"\"<\/a>
Analiza prepoznatljivosti autoportreta Fride Kalo za broj iteracija i=7<\/figcaption><\/figure>\n\n\n\n
\"\"<\/a>
Analiza prepoznatljivosti “Dame sa hermelinom” za broj iteracija i=4<\/figcaption><\/figure>\n\n\n\n
\"\"<\/a>
Analiza prepoznatljivosti “Dame sa hermelinom” za broj iteracija i=6<\/figcaption><\/figure>\n\n\n\n
\"\"<\/a>
Analiza prepoznatljivosti “Dame sa hermelinom” za broj iteracija i=8<\/figcaption><\/figure>\n\n\n\n

Dobijeni rezultati ne potvr\u0111uju postavljenu hipotezu prema kojoj je granica prepoznatljivosti pretpostavljena na homogenosti 40%. Na osnovu dobijenih rezultata mo\u017ee se zaklju\u010diti da repoznatljivost opada za vrijednost praga 30 i vi\u0161e.<\/p>\n\n\n\n

Optimalnim rje\u0161enjem za autoportret<\/strong><\/em> Fride Kalo<\/em><\/strong> pokazala se kombinacija i=5 i t=20<\/em><\/strong> (i – broj iteracija; t – granica homogenosti), 1468<\/em><\/strong> kvadrata. Za \u201eDamu sa hermelinom\u201c<\/em><\/strong> optimalna vrijednost dobijena je za i=6 i t=20<\/em><\/strong>, sa ukupno 1411<\/em><\/strong> kvadrata. Ovi rezultati su izabrani kao najbolji jer predstavljaju balans izme\u0111u detalja i prepoznatljivosti<\/strong>, slika ostaje dovoljno jasna, a broj kvadrata, odnosno slo\u017eenost nije prevelika.<\/p>\n\n\n\n

<\/p>\n\n\n\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

Analiza i komparacija rezultata Grasshopper\/Python Za istra\u017eivanje su odabrana dva poznata umjetni\u010dka djela \u2013 \u201eDama sa hermelinom\u201c Leonarda da Vin\u010dija i autoportret Fride Kalo. Razlog za ovakav izbor le\u017ei u njihovim razli\u010ditim koloritskim osobinama: u prvom slu\u010daju dominira tamna pozadina sa ujedna\u010denim tonovima i bez izra\u017eenih prelaza izme\u0111u nijansi, dok drugo djelo karakteri\u0161e bogatiji i… Continue reading Analiza vizuelnih informacija fotografije kroz pikselizaciju zasnovanu na quadtree strukturi – faza III<\/span><\/a><\/p>\n","protected":false},"author":655,"featured_media":22597,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[656],"tags":[657],"coauthors":[652],"class_list":["post-22515","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-24-25-radovi","tag-24-25","entry"],"_links":{"self":[{"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/posts\/22515","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/users\/655"}],"replies":[{"embeddable":true,"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/comments?post=22515"}],"version-history":[{"count":21,"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/posts\/22515\/revisions"}],"predecessor-version":[{"id":22733,"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/posts\/22515\/revisions\/22733"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/media\/22597"}],"wp:attachment":[{"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/media?parent=22515"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/categories?post=22515"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/tags?post=22515"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.arhns.uns.ac.rs\/givsf\/wp-json\/wp\/v2\/coauthors?post=22515"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}