Añadiendo niebla a un mapa con Photoshop

En este ejercicio vamos a emular un efecto de niebla sobre un mapa de elevación con su correspondiente hillshade, y lo haremos enteramente con Photoshop, dejando la versión en código para otra iteración. La clave está en conocer la altitud en cada zona del mapa, lo que nos va a permitir aplicar la niebla selectivamente. Así crearemos dramatismo introduciéndola en los valles y laderas inferiores, dejando las cumbres más altas inalteradas.

Apilado por 'antimediana' para replicar sujetos en movimiento con Photoshop

En el ejercicio 'Apilado por 'antimediana' para replicar sujetos en movimiento en RAW' creábamos una función detectora de outliers, la 'antimediana', con la que buscábamos quedarnos con todos los sujetos móviles en una ráfaga. Construíamos un archivo RAW de salida con todas las apariciones de un corredor en una serie de fotogramas.

Perspectiva aérea desde mapa de elevaciones con R

La perspectiva aérea o atmosférica consiste en la pérdida de contraste y color percibida en los objetos más alejados de un observador por efecto de la atmósfera. Se ha usado durante siglos en pintura y también es muy frecuente encontrarla en fotografía de paisaje. En este ejercicio vamos a recrear esta sensación de profundidad en un skyline geográfico partiendo de la información de altitudes y distancias de un mapa de elevaciones.

Construyendo mapas de sombras hillshade con R

A raíz de la entrada 'Efecto hillshade o sombras de laderas' del blog de Dominic Royé, he probado una forma menos ambiciosa de obtener con R un sombreado hillshade de un mapa de elevaciones, pero con la premisa de no usar ninguna librería específica haciendo el método fácilmente trasladable a cualquier lenguaje con notación matricial como Python o Matlab. El código además está vectorizado para no usar bucles lo que hace su ejecución prácticamente instantánea.

Mapas de color 'viridis' en Photoshop con R

En entornos de analítica, modelado y simulación como R, Python o Matlab, se han hecho populares los mapas de color 'viridis', originarios de la librería Matplotlib de Python. Son secuencias de color diseñadas para resultar perceptualmente uniformes, es decir que los saltos de un tono al siguiente sigan incrementos lineales (ΔE constante), tanto en color como en sus conversiones a blanco y negro, algo muy útil al imprimir sin color. Además resultan fáciles de interpretar para personas con deficiencias en la percepción cromática (daltonismo,...).

Ingeniería inversa de procesado de imagen con redes neuronales

El 'Teorema de la aproximación universal' afirma que siempre existe una red neuronal con una capa de salida con función de activación lineal, y al menos una capa oculta con funciones de activación no lineales, capaz de aproximar cualquier función continua con un error arbitrariamente bajo si se la provee de una suficiente cantidad de nodos ocultos.

Basándonos en lo anterior, podemos plantearnos lograr que una red neuronal aprenda a predecir las salidas de una función desconocida correspondientes a todas sus posibles entradas, en cuyo caso la "caja negra" sería intercambiable por la red neuronal.

Fusión HDR de imágenes con R

En ocasiones los fotógrafos se enfrentan a escenas cuya diferencia de luminosidad entre las partes más oscuras y las más claras supera el rango dinámico que el sensor de la cámara es capaz de captar. Esto significa que con una sola fotografía es imposible capturar toda la información: si se salvan las altas luces las sombras tendrán un ruido excesivo que arruinará el detalle, y si por el contrario las sombras se fotografían correctamente las luces aparecerán quemadas.

Ingeniería inversa de curvas RGB con R

En este artículo vamos a usar el cálculo de curvas RGB como excusa para practicar el procesado matricial de imágenes con R. Una curva RGB es una transformación aplicada a los valores RGB (rojo, verde y azul) de una imagen para alterar su apariencia, de modo que cada uno de los posibles niveles de entrada es sustituido por un nivel de salida siguiendo una función predefinida en cada canal.

Combinación óptima de señales para minimizar ruido con R (II). Aplicación

En el artículo 'Combinación óptima de señales para minimizar ruido con R (I). Teoría', calculamos la forma de combinar linealmente dos señales para obtener la máxima relación S/N de salida. Ahora aplicaremos la teoría en la obtención de fotografías digitales en blanco y negro con mínimo ruido.