컨볼루션 커널 해부 (3×3 창 · 가중합)
3×3 convolution kernels dissected: sliding window, weighted sum, box / Gaussian / sharpen / Laplacian / emboss / Sobel
3×3 창이 픽셀을 한 칸씩 훑으며 커널 가중치 × 이웃 값을 더해 출력 한 칸을 채우는 과정을 보여 주고, 같은 원리로 커널만 바꿔 블러 · 샤픈 · 엣지가 되는 것을 비교하는 이미지 필터 입문 카드.
프롬프트
18×11 회색조 패치 위로 3×3 창을 래스터 순서로 3.4초에 훑으며 out(x,y)=Σ k(i,j)·in(x+i,y+j) 가중합으로 출력 격자를 한 칸씩 채워 줘. 커널은 4.2초마다 박스(1/9) → 가우시안(1 2 1 / 2 4 2 / 1 2 1 ×1/16) → 샤픈(0 −1 0 / −1 5 −1) → 라플라시안(+0.5 오프셋) → 엠보스 → 소벨 X(×¼ +0.5) 순으로 바꾸고, 가장자리는 clamp, 커널 칸은 양수 청록 · 음수 분홍으로 칠해 현재 칸의 Σ 값을 표시하고 아래에 전체 이미지 결과(cv.filter2D)를 같이 보여 줘.
라이브 데모 열기 — 컨볼루션 커널 해부 (3×3 창 · 가중합)
캐니 엣지 4단계 (블러 → 기울기 → 비최대 억제 → 이력 임계)
Canny edge detector stage by stage: Gaussian σ1.4, Sobel gradient & direction, non-maximum suppression, double-threshold hysteresis
소벨 한 번으로 끝나는 엣지와 달리 캐니는 기울기 방향을 따라 가장 센 점만 남겨 1픽셀 선으로 얇히고, 약한 엣지는 강한 엣지와 이어질 때만 살린다는 것을 단계별로 보여 준다.
프롬프트
160×100 회색 이미지에 캐니 엣지를 단계별로 2.4초씩 보여 줘: ① 가우시안 σ=1.4 ② 소벨 기울기 크기 + 방향을 색상환으로 ③ 기울기 방향 양옆 두 이웃보다 작으면 지우는 비최대 억제(1픽셀 선) ④ 이력 임계(저 0.08 · 고 0.20, 최대값 대비): 강한 엣지는 흰색, 강한 엣지와 8-이웃으로 이어진 약한 엣지는 청록, 끊긴 약한 엣지는 어두운 빨강. 오른쪽에 단계 썸네일 4개를 두고 현재 단계를 금색으로 강조, 0.4초 크로스페이드, cv.Canny(gray, edges, 50, 150) 표기.
라이브 데모 열기 — 캐니 엣지 4단계 (블러 → 기울기 → 비최대 억제 → 이력 임계)
양방향 필터 (공간 × 밝기 가중치 · 엣지 보존 블러)
Bilateral filter: spatial Gaussian × range Gaussian weights, edge-preserving smoothing with a σr sweep and a live 7×7 weight probe
가우시안 블러는 엣지까지 뭉개지만 양방향 필터는 밝기 차가 큰 이웃의 가중치를 줄여 잡음만 지운다는 것을, 엣지 위 탐침 화소의 7×7 공간 · 밝기 · 곱 가중치로 직접 보여 준다.
프롬프트
잡음(σ 0.075)을 넣은 128×80 정물 사진을 잡음 원본 · 가우시안(σs 2) · 양방향 필터 세 칸으로 나란히 두고, 양방향 가중치 W = exp(−‖p−q‖²/2σs²) · exp(−|Ip−Iq|²/2σr²)를 7×7 창으로 계산해 줘. σr은 3초마다 0.05 → 0.12 → 0.25 → 0.8로 바꿔 너무 작으면 잡음이 남고 너무 크면 가우시안과 같아짐을 보이고, 탐침이 구 · 큐브 엣지를 따라 움직이며 이웃 화소 · 공간 가중치 · 밝기 가중치 · 곱을 7×7 미니 히트맵 4개로 실시간 표시해 줘(cv.bilateralFilter).
라이브 데모 열기 — 양방향 필터 (공간 × 밝기 가중치 · 엣지 보존 블러)
미디언 vs 평균 필터 (소금 · 후추 잡음)
Median vs mean filtering of salt-and-pepper noise: 3×3 window sorted by luminance, the middle value replaces outliers that a box mean smears
흰 점 · 검은 점이 무작위로 박힌 소금 · 후추 잡음은 평균을 내면 회색 얼룩으로 번지지만 9개를 정렬해 가운데 값을 고르면 통째로 사라진다는 것을, 3×3 창 정렬 막대로 보여 준다.
프롬프트
128×80 풍경 사진에 소금 · 후추 잡음(밀도 3초마다 5% → 15% → 30%)을 뿌리고 잡음 · 3×3 평균 · 3×3 미디언 결과를 세 칸에 나란히 보여 줘. 아래에는 잡음 화소 하나를 1초마다 골라 3×3 이웃 9칸, 밝기 순 정렬 막대(5번째 = 중앙값 금색 테두리), 평균 색과 중앙값 색 견본을 비교하고, 30%에서 3×3 미디언도 덩어리가 남는 한계를 표시해 줘(cv.medianBlur(src, dst, 3), cv.blur 3×3).
라이브 데모 열기 — 미디언 vs 평균 필터 (소금 · 후추 잡음)
히스토그램 평활화 · CLAHE (누적 분포로 대비 펴기)
Histogram equalization vs CLAHE: CDF remapping of a hazy photo, global vs 4×3 tile contrast-limited adaptive equalization with bilinear tile blending
안개 낀 사진처럼 밝기가 좁은 구간에 몰린 히스토그램을 누적 분포(CDF)로 다시 펴서 대비를 살리고, 전역 평활화의 과한 노이즈 증폭을 타일별 · 클립 한계가 있는 CLAHE로 다스리는 과정을 보여 준다.
프롬프트
안개 낀 160×100 풍경 사진의 밝기(Y)를 원본 → 전역 히스토그램 평활화 T(v)=CDF(v) → CLAHE(타일 4×3, clip limit 4.0, 초과분 균등 재분배, 타일 중심 사이 쌍선형 보간) 순으로 3초씩 0.4초 크로스페이드로 보여 줘. 오른쪽에는 현재 결과의 64칸 히스토그램과 금색 CDF 곡선을, CLAHE 단계엔 타일 격자를 이미지 위에 점선으로 겹치고, 색은 Y′/Y 비율로 RGB에 다시 곱해 유지해 줘(cv.equalizeHist, cv.createCLAHE(4.0, (4,3))).
라이브 데모 열기 — 히스토그램 평활화 · CLAHE (누적 분포로 대비 펴기)
오츠 이진화 vs 적응형 임계 (그림자 진 문서)
Otsu global thresholding vs adaptive mean thresholding on an unevenly lit document: threshold sweep, between-class variance curve, local 15×15 mean − C
히스토그램의 두 덩어리를 가장 잘 가르는 임계값을 클래스 간 분산 최대로 고르는 오츠 방법이, 그림자가 진 문서에서는 왜 실패하고 국소 평균 기준 적응형 임계가 왜 필요한지 단계별로 보여 준다.
프롬프트
왼쪽 아래에 그림자가 드리운 160×100 손글씨 문서를 이진화해 줘: 0–3.4초엔 임계값 T를 0.12→0.9로 쓸며 결과와 히스토그램 위 분홍 T 선, 클래스 간 분산 σb²(T)=w0·w1·(μ0−μ1)² 금색 곡선을 같이 그리고, 3.4초에 σb² 최대인 오츠 T*로 고정해 그림자 영역이 통째로 검게 뭉개지는 실패를 보이고, 6.4초부터 15×15 국소 평균 − C(0.035) 적응형 임계(적분 영상으로 O(1))로 바꿔 그림자 속 글자까지 살려 줘(cv.threshold(..., THRESH_OTSU), cv.adaptiveThreshold(..., ADAPTIVE_THRESH_MEAN_C, 15, 9)).
라이브 데모 열기 — 오츠 이진화 vs 적응형 임계 (그림자 진 문서)
모폴로지 연산 (침식 · 팽창 · 열림 · 닫힘)
Binary morphology with a 3×3 structuring element: erosion, dilation, opening and closing swept row by row, removed pixels red and added pixels green
이진 영상에서 구조 요소가 완전히 들어맞는 곳만 남기는 침식과 조금이라도 닿으면 채우는 팽창, 그 둘을 이어 붙인 열림 · 닫힘이 잡티 · 가는 다리 · 구멍 · 균열에 각각 무슨 일을 하는지 한 칸씩 보여 준다.
프롬프트
64×40 이진 격자(고리 + 캡슐 + 가는 다리로 이어진 원, 1px 균열, 소금 잡티 2.5%, 내부 구멍 4%)에 3×3 정사각 구조 요소로 침식 A⊖B → 팽창 A⊕B → 열림 (A⊖B)⊕B → 닫힘 (A⊕B)⊖B를 3초씩 적용해 줘. 결과는 위에서부터 행 단위로 쓸어 내려가며 구조 요소 상자를 따라 움직이고, 원본 대비 사라진 화소는 빨강 · 새로 생긴 화소는 초록으로 칠해, 열림은 잡티와 다리를 끊고 닫힘은 구멍과 균열을 메우면서 크기는 유지된다는 것을 보여 줘(cv.morphologyEx(bin, dst, MORPH_OPEN, kernel 3×3)).
라이브 데모 열기 — 모폴로지 연산 (침식 · 팽창 · 열림 · 닫힘)
연결 요소 라벨링 (2패스 · 유니온 파인드)
Connected-component labeling: two-pass raster scan with union-find equivalences, then per-blob area, bounding box and centroid (blob stats)
이진 영상의 덩어리마다 번호를 붙이는 2패스 알고리즘이 첫 패스에서 임시 라벨과 등가 쌍을 만들고, 두 번째 패스에서 하나로 합친 뒤 면적 · 경계 상자 · 무게중심을 뽑는 과정을 래스터 스캔 그대로 보여 준다.
프롬프트
48×30 이진 격자(U자, 고리, 대각선, 빗살 모양 등 7덩어리)를 8-연결 2패스로 라벨링해 줘: 0.3–5.3초 1패스는 래스터 순서로 커서를 움직이며 왼쪽 · 왼위 · 위 · 오른위 4이웃을 강조하고, 이웃 라벨이 없으면 새 임시 라벨, 여럿이면 최솟값을 쓰고 등가 쌍(예: 5 ≡ 2)을 유니온 파인드에 기록해 오른쪽 목록에 쌓아 줘. 5.3–6.6초 2패스는 행 단위로 루트 라벨로 다시 칠하고, 이후 덩어리마다 경계 상자 · 무게중심 점 · 면적 표를 0.25초 간격으로 띄워 줘(cv.connectedComponentsWithStats(bin, labels, stats, centroids, 8)).
라이브 데모 열기 — 연결 요소 라벨링 (2패스 · 유니온 파인드)
심 카빙 (에너지 지도 · 동적 계획 최소 심)
Seam carving for content-aware resizing: gradient energy map, dynamic-programming cumulative cost, removing 48 minimum vertical seams one by one vs plain horizontal squeeze
이미지 가로를 줄일 때 통째로 찌그러뜨리지 않고, 에너지(기울기)가 가장 낮은 위→아래 한 줄짜리 경로를 동적 계획으로 찾아 하나씩 지워 집 · 해 · 나무 같은 중요한 형태를 지키는 콘텐츠 인식 리사이즈를 보여 준다.
프롬프트
128×80 풍경 사진의 에너지 e=|∂I/∂x|+|∂I/∂y|를 구하고, M(y,x)=e(y,x)+min(M(y−1,x−1), M(y−1,x), M(y−1,x+1)) 누적 비용을 위에서 아래로 채운 뒤 맨 아래 최솟값에서 거꾸로 따라 올라가 최소 수직 심을 찾아 빨간 선으로 보여 주고 지워 줘. 7.6초 동안 easeInOut으로 48개 심을 하나씩 제거(128→80px, 매번 에너지 재계산)하고 2.4초 유지, 원래 너비는 점선 틀로 남겨 두고 오른쪽에 현재 에너지 지도(인페르노 색, 심 표시)와 같은 너비로 단순 축소한 이미지를 나란히 비교해 줘.
라이브 데모 열기 — 심 카빙 (에너지 지도 · 동적 계획 최소 심)
루카스-카나데 광학 흐름 (조리개 문제)
Dense Lucas–Kanade optical flow: 7×7 window least squares on Ix·u + Iy·v + It = 0, colour-wheel flow field, arrows and rejected aperture-problem windows
두 프레임 사이 각 화소가 어디로 움직였는지 밝기 항등 가정과 7×7 창 최소제곱으로 풀어 화살표 · 색상환 흐름장으로 보여 주고, 한 방향 줄무늬처럼 기울기가 한쪽뿐인 창에서는 움직임을 정할 수 없는 조리개 문제까지 드러낸다.
프롬프트
80×50 장면(질감 배경 위 0.55rad/s로 도는 12섹터 원판 + 왼쪽 절반은 세로 줄무늬 · 오른쪽 절반은 점무늬인 사각 패치가 리사주 경로로 이동)의 연속 두 프레임(Δt=1/15초)에서 Ix·u + Iy·v + It = 0을 7×7 창 최소제곱 [ΣIx² ΣIxIy; ΣIxIy ΣIy²][u v]ᵀ = −[ΣIxIt ΣIyIt]ᵀ로 풀어 줘. 왼쪽엔 6px 간격 화살표(유효하지 않은 창은 회색 점), 오른쪽엔 방향 = 색상 · 크기 = 명도인 흐름 색상환 이미지를 그리고, 작은 고윳값 λmin < 0.0035인 창(줄무늬 = 조리개 문제)은 버려 회색으로 표시해 줘(cv.calcOpticalFlowPyrLK, 피라미드 0레벨).
라이브 데모 열기 — 루카스-카나데 광학 흐름 (조리개 문제)
배경 차분 · 러닝 평균 · 모션 히스토리
Background subtraction with a running-average model: B ← (1−α)B + αF, |F − B| foreground mask, motion-history image, ghosting from a dirty first frame and slow lighting drift
고정 카메라 영상에서 배경을 천천히 따라가는 러닝 평균으로 모델링하고 현재 프레임과의 차이로 움직이는 사람만 뽑아내는 배경 차분이, 첫 프레임의 사람이 남긴 유령과 조명 변화 흡수까지 어떻게 동작하는지 네 칸으로 보여 준다.
프롬프트
64×40 고정 카메라 장면(정물 배경, 12초 주기 조명 ±14%, 프레임 잡음, 속도가 다른 보행자 3명)을 12fps로 시뮬레이션해 입력 F · 배경 모델 B · 전경 마스크 · 모션 히스토리를 2×2로 보여 줘. 배경은 B ← (1−α)·B + α·F (α=0.04, 첫 프레임으로 초기화)로 갱신하고, 전경은 밝기 차 |F−B| > 0.1, 모션 히스토리는 전경이면 1 · 아니면 프레임마다 1/18씩 감쇠(1.5초)로 인페르노 색 꼬리를 그려 줘. 처음 2초엔 초기 프레임에 찍힌 사람이 배경에 유령으로 남았다 사라지는 것을 주황 태그로 짚어 줘(cv.accumulateWeighted, cv.absdiff, MOG2 대안).
라이브 데모 열기 — 배경 차분 · 러닝 평균 · 모션 히스토리
k-평균 색 양자화 (RGB 공간 팔레트 추출)
K-means colour quantization: k-means++ seeding, Lloyd iterations visualised as centroids moving through a rotating RGB cube, palette weights and the quantized image
사진의 픽셀들을 RGB 정육면체 안의 점구름으로 보고, k개의 중심이 반복할 때마다 자기 구역 평균으로 옮겨 가며 대표 팔레트를 찾는 k-평균 양자화를 회전하는 3D 산점도와 6색 결과 이미지로 동시에 보여 준다.
프롬프트
64×40으로 줄인 풍경 사진 2,560픽셀을 RGB 공간 점으로 두고 k=6 k-평균을 k-means++로 초기화해 로이드 반복 10회를 0.85초 간격으로 보여 줘. 오른쪽엔 천천히 도는 RGB 정육면체 안에 픽셀 점 640개(원래 색)와 중심 6개(이전 위치에서 0.5초 easeInOut 이동 + 점선 궤적)를, 왼쪽엔 각 반복의 중심색으로 다시 칠한 128×80 양자화 이미지를, 아래엔 군집 크기에 비례한 팔레트 막대와 반복 번호 · SSE를 표시해 줘(cv.kmeans(px, 6, labels, criteria, 3, KMEANS_PP_CENTERS)).
라이브 데모 열기 — k-평균 색 양자화 (RGB 공간 팔레트 추출)
허프 변환 직선 검출 (ρ–θ 투표 공간)
Hough transform for lines: every edge point votes a sinusoid ρ = x·cosθ + y·sinθ into a 90×100 accumulator, peaks become detected lines
엣지 점 하나하나가 자신을 지나는 모든 직선에 표를 던져 ρ–θ 공간에 사인 곡선을 그리고, 곡선들이 겹쳐 밝게 쌓인 봉우리가 곧 영상 속 직선이라는 허프 변환의 투표 과정을 실시간으로 보여 준다.
프롬프트
도로 · 건물 윤곽 7개 선분에서 뽑은 엣지 점과 잡음 점 70개를 섞어 무작위 순서로 6초 동안 하나씩 투표시켜 줘: 오른쪽 90×100 누적기(θ 0–180° 2° 간격, ρ ±대각선)에 새 점의 사인 곡선 ρ = x·cosθ + y·sinθ를 금색으로 그리고 칸 값은 log 스케일 인페르노 색으로 쌓아 줘. 6초 뒤엔 7×9 이웃 최대 + 최소 14표로 봉우리 7개를 골라 색 원으로 표시하고, 같은 색 직선을 왼쪽 영상에 0.3초 간격으로 다시 그어 잡음 점은 무시되는 것을 보여 줘(cv.HoughLines(edges, lines, 1, π/180, 60)).
라이브 데모 열기 — 허프 변환 직선 검출 (ρ–θ 투표 공간)
해리스 코너 (구조 텐서 · 고윳값 판별)
Harris corner detector: structure tensor M from windowed gradients, R = det M − k·(tr M)², response map, eigenvalue classification and a live gradient-scatter probe
작은 창 안 기울기들의 분포를 구조 텐서로 요약해 두 고윳값이 모두 크면 코너, 하나만 크면 엣지, 둘 다 작으면 평탄이라는 해리스 판별을, 탐침 창의 기울기 산점도 · 타원 · λ 평면으로 보여 주는 특징점 검출 카드.
프롬프트
160×100 정물 사진에서 소벨 기울기로 M = Σw [Ix² IxIy; IxIy Iy²](가우시안 σ 1.5 창)를 만들고 R = det M − 0.05·(tr M)²를 계산해 줘. 오른쪽 위엔 R 지도(양수 = 코너 인페르노, 음수 = 엣지 파랑), 왼쪽엔 7×7 비최대 억제 · R > 0.01·Rmax 코너 40개를 강도 순으로 띄우고, 탐침이 평탄한 벽 → 큐브 모서리 → 바닥 체커 → 큐브 꼭짓점을 2.2초씩 돌며 9×9 창 기울기 (Ix, Iy) 산점도 + √λ 축 타원, λ1–λ2 판별 평면 위 점, λ1 · λ2 · R 값과 판정(평탄 · 엣지 · 코너)을 실시간 표시해 줘(cv.cornerHarris(gray, dst, 2, 3, 0.05)).
라이브 데모 열기 — 해리스 코너 (구조 텐서 · 고윳값 판별)
2D 푸리에 필터 (저역 · 고역 · 노치)
2D FFT image filtering: centred log-magnitude spectrum, Butterworth low-pass and high-pass radius sweeps, and a notch filter removing periodic stripe noise
이미지를 64×64 2D FFT로 주파수 성분으로 바꿔 가운데(저주파)만 남기면 흐려지고 바깥(고주파)만 남기면 윤곽만 남으며, 주기적 줄무늬 잡음은 스펙트럼의 밝은 점 두 개라 그 점만 지우면 깨끗해진다는 것을 세 칸으로 보여 준다.
프롬프트
64×64 회색 풍경을 radix-2 FFT로 변환해 입력 · 중심 이동한 log|F·H| 스펙트럼(인페르노) · 역변환 결과 세 칸을 그려 줘. 4.5초씩 ① 버터워스 저역 통과 H=1/(1+(d/r)⁴), r 3→24 ② 고역 통과 1−저역, r 2→14(결과 ×2.6 +0.5) ③ sin(2π(5x+8y)/64) 줄무늬를 더한 입력의 (±5, ±8) 스파이크 두 개에 가우시안 노치 1−exp(−d²/5.1)를 1.5초 뒤 적용하는 순서로 돌리고, 스펙트럼 위엔 반지름 r 점선 원과 노치 원을 금색으로 겹쳐 줘(cv.dft → cv.mulSpectrums → cv.idft).
라이브 데모 열기 — 2D 푸리에 필터 (저역 · 고역 · 노치)
XDoG 스케치 (가우시안 차이 + tanh 소프트 임계)
eXtended Difference-of-Gaussians stylisation: DoG band-pass edges, sharpened S = G_σ + p·(G_σ − G_kσ) and soft tanh thresholding swept from pencil to ink
두 가우시안 블러의 차이(DoG)가 윤곽만 남기는 대역 통과 필터라는 것과, 그 차이를 원본에 p배 더한 뒤 tanh로 부드럽게 임계 처리하면 연필 소묘에서 판화 잉크까지 손그림 느낌이 나온다는 XDoG 스타일화를 보여 준다.
프롬프트
160×100 풍경 회색 영상을 감마 0.55로 중간톤을 올린 뒤 G_σ(σ=1.0)와 G_kσ(k=1.6)를 만들고 원본 · DoG(G_σ−G_kσ, ×14 주황/파랑 발산색) · XDoG 결과 세 칸을 나란히 그려 줘. XDoG는 S = G_σ + p·(G_σ − G_kσ)(p=18), E = S ≥ ε ? 1 : 1 + tanh(φ·(S − ε))(ε=0.34)로 계산해 종이색 #F4EEDF 위 잉크 #1A1620로 칠하고, φ를 1.8초마다 2 → 6 → 18 → 60 → 300으로 바꿔 연필 그라데이션에서 단단한 잉크 선으로 변하게 해 줘. 아래엔 두 가우시안 곡선과 멕시칸 햇 차이, 현재 φ의 tanh 임계 곡선을 그래프로 보여 줘.
라이브 데모 열기 — XDoG 스케치 (가우시안 차이 + tanh 소프트 임계)
라플라시안 피라미드 블렌딩 (사과 + 오렌지)
Laplacian pyramid blending (Burt & Adelson): hard seam vs single-scale feather vs 5-level band-wise blend of an orange and an apple, with each blended level shown
두 이미지를 주파수 대역별 층(라플라시안 피라미드)으로 나눠 층마다 같은 크기로 흐려진 마스크로 섞으면, 거친 색은 넓게 · 미세 질감은 좁게 섞여 이음매가 사라진다는 고전 블렌딩 기법을 단계별로 비교한다.
프롬프트
128×80 오렌지 · 사과 사진을 가운데 세로선 마스크로 합성해 줘: 0–3.2초 그냥 이어 붙인 딱딱한 이음매 → 3.2–6.4초 가우시안 σ 7 마스크 한 번으로 섞은 페더(질감이 유령처럼 겹침) → 6.4–10초 5단계 라플라시안 피라미드(L_i = G_i − up(G_{i+1}), 마스크도 가우시안 피라미드 GM_i)에서 층마다 LS_i = GM_i·LA_i + (1−GM_i)·LB_i로 섞고 다시 쌓은 결과. 오른쪽엔 섞인 L0–L4 층 썸네일(×3 +0.5 대비)과 층마다 넓어지는 마스크 경사 띠를 나란히, 피라미드 단계에선 층을 차례로 금색 강조해 줘(cv.pyrDown / cv.pyrUp).
라이브 데모 열기 — 라플라시안 피라미드 블렌딩 (사과 + 오렌지)
푸아송 이미지 편집 (심리스 클론 · SOR 반복)
Poisson image editing / seamless cloning: keep the source gradients, take the boundary from the target, solve Δf = Δg with successive over-relaxation (ω = 1.9)
다른 사진에서 오려 온 조각을 붙일 때 색 자체가 아니라 기울기(라플라시안)를 옮기고 경계값은 배경에서 가져와 푸아송 방정식을 풀면, 반복할수록 조각이 주변 색에 녹아드는 심리스 클론 원리를 보여 준다.
프롬프트
128×80 노을 풍경의 하늘(해 왼쪽 주황 · 보라 그라데이션)에 오렌지 사진 조각(36×33, 밝은 베이지 배경)을 붙여 줘: 처음 1.2초는 그냥 붙여 넣은 베이지 사각형이 보이고, 영역 안에서 4f_p − Σf_q = 4g_p − Σg_q(g = 소스, 경계 f* = 배경)를 SOR(ω=1.9) 가우스–자이델로 0 → 2 → 5 → 10 → 20 → 40 → 80 → 160 → 320회 반복한 결과를 6.4초 동안 easeInOut으로 넘기며 보여 줘. 영역은 금색 점선, 오른쪽엔 소스 조각과 반복 횟수–잔차(log) 그래프에 현재 위치를 찍고, 과일 음영은 남되 베이지 배경이 하늘색으로 바뀌는 것을 강조해 줘(cv.seamlessClone(src, dst, mask, center, NORMAL_CLONE)).
라이브 데모 열기 — 푸아송 이미지 편집 (심리스 클론 · SOR 반복)
레인하르트 색 전이 (lαβ 평균 · 표준편차 맞추기)
Reinhard colour transfer: convert to decorrelated lαβ space and match each channel’s mean and standard deviation to a target image’s statistics
참고 사진의 분위기를 내 사진에 입히는 가장 단순하고 강력한 방법인 레인하르트 색 전이가, 채널끼리 상관이 거의 없는 lαβ 공간에서 채널마다 평균과 표준편차만 맞추는 것임을 분포 곡선과 함께 보여 준다.
프롬프트
128×80 노을 풍경(소스)을 세 참고 이미지(청록 야경 · 가을 숲 · 파스텔 새벽)에 3.5초씩 색 전이해 줘: RGB → LMS → log10 → lαβ(Ruderman) 변환 후 채널마다 t = (s − μs)·σt/σs + μt, 다시 역변환. 왼쪽엔 소스와 현재 참고 이미지, 오른쪽엔 결과를 0.6초 크로스페이드로 크게, 아래엔 l · α · β 채널별 가우시안 분포 곡선(소스 회색, 참고 컬러, 결과 흰 점선)이 참고와 겹쳐지는 것을 그려 줘(OpenCV Lab 변환 + cv.meanStdDev).
라이브 데모 열기 — 레인하르트 색 전이 (lαβ 평균 · 표준편차 맞추기)
포토모자이크 (셀 평균색 ↔ 타일 평균색 매칭)
Photomosaic: 32×20 target cells each replaced by the nearest-mean tile from a 48-image library, with 60 % colour correction and a zoom that reveals the tiles
멀리서 보면 원본 사진, 가까이 다가가면 작은 사진 수백 장으로 이루어진 포토모자이크가 셀의 평균색과 가장 가까운 평균색의 타일을 고르고 살짝 색 보정하는 단순한 매칭으로 만들어진다는 것을 줌으로 보여 준다.
프롬프트
풍경 사진을 32×20 셀로 나눠 셀 평균색을 구하고, 무작위 크롭 · 색상 회전 · 밝기를 준 10×10 타일 48장 라이브러리에서 가중 RGB 거리(2·ΔR² + 4·ΔG² + 3·ΔB²)가 가장 가까운 타일을 골라 320×200 모자이크를 만들어 줘. 타일은 (셀 평균 − 타일 평균)×0.6만큼 색 보정하고, 10초 루프로 1× → 4.5× easeInOut 줌인해 집 근처 셀을 금색 상자로 짚고 오른쪽 6×8 라이브러리에서 같은 타일을 강조, 아래엔 셀 평균 · 타일 평균 견본과 거리 값을 보여 줘.
라이브 데모 열기 — 포토모자이크 (셀 평균색 ↔ 타일 평균색 매칭)
적분 영상 (합산 영역 표 · O(1) 박스 합)
Integral image / summed-area table: any box sum from four lookups D − B − C + A, driving a per-row variable-radius box blur at constant cost
각 칸에 왼쪽 위 전체의 합을 미리 적어 둔 적분 영상(합산 영역 표)이 있으면 어떤 크기의 상자 합도 네 번 조회로 끝난다는 것을, 네 모서리 조회와 반경이 행마다 달라지는 박스 블러로 보여 준다.
프롬프트
128×80 정물 사진의 적분 영상 I(x,y)=Σ_{x′≤x, y′≤y} src를 만들고(밴딩 등고선이 들어간 색으로 시각화), 상자 합 = D − B − C + A 네 모서리를 A · B · C · D 점으로 표시한 탐침 상자가 리사주 경로로 움직이며 반경 3–9px로 커졌다 작아지게 해 줘. 오른쪽엔 초점 띠가 위아래로 천천히 움직이는 가변 반경 박스 블러(r(y) = min(9, |y − y₀|/4))를 화소당 4번 조회로 계산해 보여 주고, 반경 프로필 막대와 "직접 합 (2r+1)² = 361회 vs 4회" 비교를 표시해 줘(cv.integral(src, sum), Viola–Jones 하르 특징의 기반).
라이브 데모 열기 — 적분 영상 (합산 영역 표 · O(1) 박스 합)