So-net無料ブログ作成
前の8件 | -

超解像AIを改良しました。 [超解像プログラム]

董豪(Hao Dong)様のsrganのコードを元に、私が書いた " SRNet-R " という超解像AIについて。
SRNet-R_Comparison_1_label_1 Bicubic補間法による拡大と改造SRNet-Rによる超解像との比較画像。 左右に同じ画像を拡大したものが配置されており、左半分がBicubicで右半分がSRGANである。 ジーンズ パンツを履いた若いモデルの女子が微笑んでいる。
SRNet-R_Comparison_2_label_1 Bicubic補間法による拡大と改造SRNet-Rによる超解像との比較画像。 左右に同じ画像を拡大したものが配置されており、左半分がBicubicで右半分がSRGANである。 ジーンズ パンツのポケットに親指を掛けた手が写っている。
SRNet-R_Comparison_3_label_1 Bicubic補間法による拡大と改造SRNet-Rによる超解像との比較画像。 左右に同じ画像を拡大したものが配置されており、左半分がBicubicで右半分がSRGANである。 若い女子の顔の右半分が写っている。
私がAWS (Amazon Web Services)のEC2 (Amazon Elastic Compute Cloud)の " p2.xlarge " GPU インスタンスで1日弱ほど学習させ、28 epoch目の段階のSRNet-Rによる4倍超解像と従来のBicubic補間法による4倍拡大とを比較した画像です。
この画像はSRNet-Rには学習させていない未学習の画像です。
加えて、人間の全身像については全く学習していないモデルでの超解像の結果です。
元の画像はiStockより使用ライセンスを購入致しました。


[GitHub リポジトリー]
この " SRNet-R " はTensorFlowTensorLayerによる実装となっています。
以下に私のSRNet-RのGitHub リポジトリーへのリンクを載せます。

" SRNet-R " の "GitHub" リポジトリーのURL:
https://github.com/ImpactCrater/SRNet-R


[学習済みモデル データ]
私がAWSのEC2のp2.xlarge GPU インスタンスを用いて1日弱ほど学習させ、28 epoch目の段階の学習済みモデル データを公開致します。
" Yahoo!ボックス " サーヴィスからZIP ファイルをダウンロードして解凍し、 " ./SRNet-R/checkpoint/ " に " ae.npz, g.npz " の2つのファイルを入れます。
学習用の大量のPNG画像を " ./SRNet-R/HRImage_Training " に用意し、 " python ./SRNet-R/main.py " のようにして続きから再学習させる事が可能です。

学習済みモデル データのURL (Yahoo!ボックス):
https://yahoo.jp/box/x9Zq_r



[前書き]
画像を綺麗に拡大する、解像度を向上させる取り組みは昔から沢山研究されて来ました。
Bicubic補間法Lanczos補間法など、内挿により " Nyquist–Shannon sampling theorem " (ナイキスト-シャノンの標本化定理)の制限内で綺麗に補間する事から始まりました。
ナイキスト-シャノンの標本化定理では、サンプリング周波数の1/2の周波数をナイキスト周波数と言い、これ以上の情報は折り返しノイズになる為、正確には復元出来ません。
これを超えた高解像度化の手法を、 " 超解像 " (Super-Resolution)と言います。

例えば、フラクタルの性質を利用した超解像があります。
フラクタルとは自己相似性の事であり、スケールを変えて見た時に前と同様の構造が見つかる図形を言います。
自然画像にはフラクタルな部分が多く含まれている事を利用して拡大後の画像を推定します。

他に、サブピクセル レヴェルでのブロック マッチング最小二乗誤差法で同一画像内もしくは連続撮影された複数画像(マルチフレーム)内からある注目領域に相同な部分を見つけ出して画素の隙間に当て嵌めて行く事で超解像を行う仕組みも登場しました。

人間が予め多数の、一辺が数画素程度の小さな画像断片を沢山用意して置き、これを用いて画像を再構成する再構成型超解像もあります。

補間法で拡大した画像にConvolution フィルターを掛け合わせて行く事で画像の暈けを取り除く手法を一般的にDeconvolutionと言います。

また、畳み込みのフィルターの値を人間が指定するのではなく、人工ニューラル ネットワークによって機械学習(ML)させる手法が研究されて来ました。
Convolutional Neural Network (CNN)です。
画像認識分野などで層数が多く深いネットワークが研究され、Deep CNN (DCNN)となりました。
" 深層学習 " (Deep Learning)は広く成果を上げ、大いに流行しました。
超解像分野ではSRCNNとして研究され、残差ネットワーク(Residual Network)を取り入れてSRResNetとなり、敵対的生成ネットワーク(Generative Adversarial Network / GAN)を取り入れ " SRGAN " となり、ESRGANWasserstein SRGANと派生型が幾つも生み出されました。
かつて流行した " Waifu2x " はSRCNNの一種であるようです。

私も当時Waifu2xを学習させてみたりしてその性能に驚かされました。
後にSRGANを試し、更なる視覚品質の向上にまた驚きました。

その後、SRGANを改造して実験を繰り返しました。
例えば、GANの損失関数の指標をJensen-Shannon divergenceからWasserstein distanceに変えてみましたが、Lipschitz連続な関数であるという拘束条件あり、これを守る為にweight clippingweight decaygradient clippingを試しましたが勾配爆発勾配消失などを防ぐのが難しく、断念しました。
因みにgradient penaltyはとても有効であるとの事です。

また、Relativistic GANという、GeneratorとDiscriminatorの関係を相対的にしたものも試しました。
こちらは学習が安定していました。
Least Square GAN (LSGAN)を取り入れたRelativistic LSGANは安定的に学習が出来て良かったです。

元のSRGANでは学習は2段階で行われます。
第1段階ではGenerator(生成器)のみをMSE Lossを用いて学習させます。
MSEはMean Square Error(誤差二乗平均)です。
その後、第2段階でDiscriminator(識別器)と競わせるようにしていました。
第2段階ではDiscriminatorによるGAN Loss、MSE Loss、それとVGG Lossが用いられました。
VGG Lossは昔のVGG16またはVGG19のネットワークの学習済みモデルを特徴抽出器として利用して算出した、特徴空間でのlossです。
MSE Loss及びVGG Lossは学習の収束を速くするのに貢献します。


[SRNet-Rの特徴]

[1: Residual Network]
SRGANと同じく、多段のResidual Unitを用いた残差学習を行います。
只のDCNNでは、学習が進むと入出力に於ける変換精度向上により、入力層から出力層へ向かって情報が伝播する際に出力側の層は入力と出力の差が小さくなって行きます。
その上、小さな値が層毎に繰り返し乗算される為、指数関数的に小さな値となる為、微分が困難になり、勾配消失が起こります。
Residual Networkでは入力画像から出力画像への写像を学習させるのではなく、入力と求める出力との残差を学習させます。
すると、各Residual Unitの出力に入力を足し合わせればよい事になり、値が小さくなってしまう事を防ぐ事が出来ます。


[2: Autoencoderの利用]
私はこの度、GANによる学習ではなく、 " Convolutionla Autoencoder " のencoder出力のMAE (Mean Absolute Error / 誤差絶対平均)を特徴空間のlossとして評価させる事に致しました。
Convolutionla Autoencoderはencoder部で入力画像にconvolutionを施しつつ画像サイズやチャンネル数を削減して行き、decoder部では逆に徐々に元に戻して行き、入力画像と同等のものを復元させるもの(恒等写像)です。
これは途中の層で情報を絞らせる事で、巧く特徴を抽出するように学習させるのです。
Autoencoderはノイズ除去に使用されたりする他、特徴抽出器として使用されます。
これを超解像用のResidual Networkと同時に独立に学習させ、そのencoder出力を利用して特徴空間上の品質を高める事を考えました。

結果としては上出来で、学習はとても速く、メモリーの使用量は極少なく、高品質な結果となりました。


[3: Swish活性化関数]
活性化関数にはReLU (Rectified Linear Unit | ramp function)ではなく、Swish関数を用いております。

ReLU(x)=max(0, x)

Swish(x)=x*Sigmoid(a*x)
Sigmoid(x)=1/(1+e^(-a*x))

TensorFlowでは tf.nn.swish(x) が使えます。

Swish関数及びその導関数は、ReLUと異なり、原点に於いて連続で、非単調性の関数です。
また、Swish関数はReLUと異なり、負の値も出力されます。
Sigmoid関数はLogistic関数の特殊な場合です。
他の方の実験結果を見ると、LeakyReLUやELUなどと比べ、Swish関数の方が平均的に良い結果をもたらしているように見受けられます。
Swishは連続な関数ですので、関数の近似結果が滑らかになります。
ReLUでは負の値が無駄になってしまうところ、Swishでは有効に次の層に伝わります。
Swishは負の絶対値が大きな領域は0に漸近しますので発散し難くなります。


[4: Group Normalization]
SRGANではBatch Normalization層が使われていましたが、Batch Normalizationは各チャンネル間の関連性が無視されてしまいます。
すると複数のチャンネル間の関連性による特徴が損なわれてしまいます。
また、ミニバッチ単位で平均と標準偏差を取るので、ミニバッチ サイズが32未満など小さい場合には正規化が巧く作用しないという弱点があります。
結果として、出力画像に白色の靄のようなアーティファクトが出現してしまうという問題がありました。
これを避ける為、Group Normalization層を使用致しました。
Group Normalizationでは、ミニバッチ単位ではなく、チャンネルを幾つかのグループに分割し、チャンネルのグループ毎に正規化します。
これにより、ミニバッチ数が少なくても正規化が効きます。
また、各チャンネル間の関連性も保たれます。
因みに全チャンネルに跨って正規化するLayer Normalizationの場合は、余り役立たないにも関わらず大きな値を示すチャンネルがあった際に、他の全てのチャンネルの値を圧縮されてしまいます。
性能としては、ミニバッチ サイズが大きい場合のBNには敵いませんが、ミニバッチ サイズが小さい場合には差は縮まるようです。

参照:
"ニューラルネットの新しい正規化手法 Group Normalization の高速な実装と学習実験 | ALBERT Official Blog" のURL:
https://blog.albert2005.co.jp/2018/09/05/group_normalization/


[5: 画像の読み込み]
学習させる画像群について、指定したディレクトリー以下にあるサブディレクトリーまで再帰的に検索して読み込むようにしました。
画像はepoch毎にランダムにシャッフルされ、ランダムな位置でクロップされます。
全画像ファイル数がミニバッチの数で割り切れない場合には、不足分は既存の学習用画像の中からランダムに再度読み込まれます。
また、学習中にも画像を次々に追加出来るようにしました。
指定したディレクトリー以下に、画像ファイルもしくは画像ファイルが入ったフォルダーを放り込むだけで、次のepoch開始時に読み込まれます。



[更なる画質向上について]
JPEGなどの圧縮ノイズ低減の学習は行わせていません。
もし圧縮ノイズなどの画質劣化を除去させたい場合は、OpenCVを追加し、 " main.py " を編集して、学習用画像を縮小する際にランダムにJPEG圧縮させるコードを追加してみて下さい。
以下はJPEG圧縮するコードの例です。

encode_parameters = [int(cv2.IMWRITE_JPEG_QUALITY), quality]
result, encoded_image = cv2.imencode('.jpg', image, encode_parameters)


" quality " には圧縮の品質を1から100で入力します。数値が高いほど低圧縮、高品質、数値が低いほど高圧縮、低品質です。
" result " は成功の真偽値です。
これにより圧縮前後の対応関係を学習出来るようになる筈です。
加えて、ガウス暈しもランダムで加えると、シャープネスを上げる事も出来るでしょう。


[プログラムの実行について]
このプログラムで学習を実行するには6GB以上のメモリーが必要です。
CPUまたはNVIDIAのGPUによるCUDAで実行出来ます。
低性能なCPUで実行する場合、充分な学習には1週間以上の時間が掛かります。

私は途中までローカル PCのCPU処理を行って実験していましたが、それでは時間が掛り過ぎたので、AWSのEC2の " p2.xlarge " GPU インスタンスを利用させて頂きました。
p2.xlargeは1つのNVIDIA K80 GPU、4つのvCPU、61GiBのメモリーです。
画像枚数が8,000枚ほどの場合、このGPU インスタンスで処理を始めてから24時間以内に学習が収束しました。

約20倍高速であり、20日間掛かる処理が1日で終わりました。
初めての際は設定などで手間取りましたが、利用料金は数千円程度です。

因みに私のローカル PCの環境ではヴィデオ カードのVRAMの容量が足りないのでCPUだけで学習させます。
TensorFlowのバイナリーはSSE4.1, SSE4.2, AVXが利用できないので、TensorFlowをCPU拡張命令のSSE4.1, SSE4.2, AVXを使用するオプション付きでビルドしました。
" -march=native " の " --config=opt " なので自動的に拡張命令対応となります。

私のローカル PCの実行環境は、以下の通りです。

・CPU: Intel Core i7-3770T
・Memory: DDR3 SDRAM 8GB * 4 = 32[GB]
・Video Card: Palit GeForce GTX 750 KalmX (Fanless)
・HDD: 3[TB], 7200[rpm], Cache 64[MB]
・OS: Ubuntu 16.04 LTS

・CUDA 9.0.176
・Python 3.5
・OpenJDK 1.8.0_191
・Bazel 0.18.0
・TensorFlow 1.12.0-rc0 (build from source)
・TensorLayer 1.11.1
・easydict
・tkinter

nice!(0)  コメント(0) 

高圧送電用鉄塔、梅の花。 [写真とカメラ]

本日2019年2月24日 日曜、埼玉県さいたま市の大宮第二公園にて " 梅まつり " が催されており、私も写真を撮影しに行って参りました。

大宮駅東口から徒歩で大宮第二公園へ向かいました。
途中の住宅街で送電用鉄塔を撮影したりしながら40分ほどで到着。
天気が良く、駐車場に入り切らない自動車が列を成していました。

Transmission Tower_Omiya_(2019_02_24)_1_resized_1 高圧送電用鉄塔を下から見上げて撮影した写真。 青空を背景に鉄塔が伸び、多数の碍子が取り付けられている。
毎度の事ながら、大宮第二公園の梅林近くで高圧送電用鉄塔を撮影。
碍子が沢山付いていて素敵です。
使用したカメラは " Panasonic LUMIX DMC-TX1 " という高倍率ズームのコンパクト ディジタル カメラです。

Ume_(2019_02_24)_1_resized_1 青空を背景に白色の梅の花を撮影した写真。 幾つもの可愛らしい蕾と共に梅の花が可憐に開いている。
https://c2.staticflickr.com/8/7816/40230527813_d88b1708fd_o.png
白色の梅の花を撮影。
蕾が可愛らしく、花は可憐です。

Ume_(2019_02_24)_2_resized_1 青空を背景にピンク色の梅の花を撮影した写真。 左右の開いた花に挟まれて可愛らしい蕾が上下に並んでいる。
https://c2.staticflickr.com/8/7897/33319776748_7b5b21fe83_o.png
ピンク色の梅の花を撮影。
色気があります。

因みに黄色の蝋梅は時期がほぼ終わりという感じでした。

梅林にはとても沢山の梅の木が幾種類もあり、天気に恵まれた事もあり、沢山の花見客で賑わっていました。
nice!(1)  コメント(0) 

ランダムに沢山のカラフルな文字を描画するHTML5 Canvasプログラム。 [HTML5 ジェネレーティヴ アート]

Canvas Area.
Canvas_Character Generator_(2019_01_09)_1.png ランダム文字描画プログラムで生成した文字アート画像。

" Draw " ボタンを押すとランダムに沢山のカラフルな文字を生成、描画します。
" HTML5 " の " Canvas " 要素で描画しています。
Canvas内を色付きの文字で埋め尽くすだけの、とても単純なプログラムですが、中々にアートに見えます。

当該プログラムのソース コードは御自由に切り貼りして利用して下さって結構です。

" Yahoo!ボックス " サーヴィスにソース コードのhtml ファイルをアップロードして公開させて頂きます。
次のリンク先のページにある " ダウンロード " ボタンを押すと当プログラムのhtml ファイルをダウンロード出来ます。

[ソース コード]
Yahoo!ボックス: https://yahoo.jp/box/w6qS-t



nice!(0)  コメント(0) 

数式を書くのに便利な "LibreOffice Writer" [ソフトウェア]

数式を書くには、オープン ソースのドキュメント編集アプリケーション ソフトウェアである " LibreOffice Writer " が手軽でとても良いですね。

素早く数式を書く事が出来ますし、数式を書いたドキュメントをPDF ファイルとしてエクスポートして、オープンソースの画像編集アプリケーション ソフトウェアである " GIMP " で画像として編集出来ます。
Mathematical Expression_1_(2019_01_08)_resized_1 白色の背景に黒色の文字で幾つかの関数が書かれた画像。
https://c1.staticflickr.com/5/4877/46599110382_485f6d3159_o.png
これがLibreOffice Writerに数式オブジェクトとして幾つかの関数を書いて画像化した例です。
・ロジスティック関数(Logistic Function)
・シグモイド関数(Sigmoid Function)
・ハイパボリック タンジェント(Hyperbolic Tangent | tanh x)
・Swish関数(Swish Function)

"LibreOffice" のウェブサイトのURL:
https://ja.libreoffice.org

nice!(1)  コメント(0) 

ピーマンの写真と餡蜜の写真。 [写真とカメラ]

Bell Pepper_(2018_12_15)_1_resized_1 皿に置かれた2個の緑色のピーマンを撮影した写真。 頭を上向きにして置かれている。
https://c1.staticflickr.com/5/4908/46274087342_24fd4ae77c_o.png
艷やかな緑色のピーマンを撮影した写真です。

Bell Pepper_(2018_12_15)_2_resized_1 皿に置かれた2個の緑色のピーマンを撮影した写真。 頭を下向きにして置かれている。
https://c1.staticflickr.com/5/4904/32452322698_507c70ec2a_o.png

Anmitsu_(2018_12_18)_1_resized_1 やや椀形の更に盛られた餡蜜を撮影した写真。
https://c1.staticflickr.com/5/4915/46312873282_fcc1ce1611_o.png
こちらは梅林堂で買った美味しい餡蜜(あんみつ)です。
私は求肥(ぎゅうひ)が大好きなのです。

これらの写真もいつものように、SRGANの人工ニューラル ネットワークに食べさせます。

nice!(3)  コメント(0) 

東京、丸の内のビルディングの写真と、樹木の幹の写真。 [写真とカメラ]

Tokyo_(2018_12_14)_1_resized_1 東京、 "丸の内" のビルディングを撮影した写真。 幾棟かの天空を突くような高層ビルヒングが並んでいる。
東京駅の近く、 " 丸の内 " の景観を撮影した写真です。
綺麗な高層ビルディング街ですね。

Trunk_(2018_12_14)_1_resized_1 樹木の幹を撮影した写真。 樹皮は鱗状になっており、左下には緑色の蔦の葉が見える。
https://c1.staticflickr.com/5/4891/46261458462_e8ce10127b_o.png
上野恩賜公園周辺の樹木の幹を撮影した写真です。

nice!(2)  コメント(0) 

クッキーの写真と、切り花を撮影した写真。 [写真とカメラ]

Cream Sandwich Cookie_(2018_12_11)_2_resized_1 クリーム サンドウィッチ クッキーを撮影した写真。 上下の茶色のクッキーの間にクリームが挟まれている。
https://c1.staticflickr.com/5/4836/44457480010_bd8c90c2a1_o.png
クリーム サンドウィッチ クッキーを撮影した写真です。
SRGANという人工知能の人工ニューラル ネットワークに食べさせました。

Flower_(2018_12_12)_2_resized_1 左から順に、紫色と黄色と淡いピンク色の切り花と、赤色の小振りな実の生っている植物が黒い紙の上に上向きに寝かされて並べて置かれた様子を撮影した写真。
https://c1.staticflickr.com/5/4918/45564656944_990b624f21_o.png
花や実はとても美しく、艶めいています。

Flower_(2018_12_12)_1_resized_1手前から順に、紫色と黄色と淡いピンク色の切り花が黒い紙の上に左向きに寝かされて並べて置かれた様子を撮影した写真。
https://c1.staticflickr.com/5/4810/32416494958_39b81f41e3_o.png
テクスチャーが美しいですね。

nice!(4)  コメント(0) 

ランダム ノイズによる自動生成アート画像。 [プログラミング]

コマンドライン インターフェイスの素晴らしき画像操作アプリケーション ソフトウェアである " ImageMagick " にてカラフルな模様自動生成致しました。
0000 カラフルな斑模様。 雲の様な斑模様と複雑な色の境界線が重なり合っている。
https://c1.staticflickr.com/5/4871/32378951038_c8d9c9bf70_o.png

0001 カラフルな斑模様。 雲の様な斑模様と複雑な色の境界線が重なり合っている。
https://c1.staticflickr.com/5/4861/45527344404_356946988f_o.png
パターンは上下左右が繋がっているので、タイル状に並べても継ぎ目が出来ません。 Perlin noise (パーリン ノイズ)的なパターンの応用です。

簡単に言うと、半径が2^0から2^7までのガウス暈しを適用したランダム ノイズの複数のレイヤーを合成して生成したものです。

何百枚でも連続自動生成出来ますが、1枚生成するのに多少の時間が掛かります。
ImageMagickの " -clone, +clone, -delete, +delete " などを使用して処理を効率化しています。

暈し半径を大きくすると、16bit/チャンネルの精度で処理していても、色の境界線が誤差により不自然にギザギザしてしまいますので、半径32画素以上の暈しは、半径32画素分のガウス暈しを複数回適用して処理しております。

今回生成した画像を数十枚 " SRGAN " という4倍超解像AIの人工ニューラル ネットワークに食べさせます。

" ImageMagick " の使用方法の解説ウェブサイトのURL:
http://www.imagemagick.org/Usage/

画像を生成する為のLinuxのコマンドを掲載致します。
ImageMagickはQ16 (内部16bit精度)ヴァージョンを事前にインストールして置いて下さい。
mkdirで作業ディレクトリーに " images " というフォルダーを作成し、そこへ生成画像を連番で保存するようになっております。
以下の全文をコピーして " 端末 " にペーストすると16枚の1024 x 1024画素の画像の生成を開始します。
mkdir -p ./{\
images,\
}
\
\
offset=0; \
counter=0; \
for i in `seq 1 16`; \
do \
\
convert \
\
\-size 1024x1024 xc: \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x16 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x8 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x4 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x2 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x1 -auto-level \) \
\
\( -clone 1,2 -compose softlight -composite \) \
\( -clone 1,9 -compose dissolve -define compose:args=50 -composite \) \
-delete 9 \
\
\( -clone 9,3 -compose softlight -composite \) \
\( -clone 9,10 -compose dissolve -define compose:args=25 -composite \) \
-delete 9,10 \
\
\( -clone 9,4 -compose softlight -composite \) \
\( -clone 9,10 -compose dissolve -define compose:args=12.5 -composite \) \
-delete 9,10 \
\
\( -clone 9,5 -compose softlight -composite \) \
\( -clone 9,10 -compose dissolve -define compose:args=6.25 -composite \) \
-delete 9,10 \
\
\( -clone 9,6 -compose softlight -composite \) \
\( -clone 9,10 -compose dissolve -define compose:args=3.125 -composite \) \
-delete 9,10 \
\
\( -clone 9,7 -compose softlight -composite \) \
\( -clone 9,10 -compose dissolve -define compose:args=1.5625 -composite \) \
-delete 9,10 \
\
\( -clone 9,8 -compose softlight -composite \) \
\( -clone 9,10 -compose dissolve -define compose:args=0.78125 -composite -equalize \) \
-delete 1-10 \
\
\
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x16 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x8 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x4 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x2 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x1 -auto-level \) \
\
\( -clone 2,3 -compose softlight -composite \) \
\( -clone 2,10 -compose dissolve -define compose:args=50 -composite \) \
-delete 10 \
\
\( -clone 10,4 -compose softlight -composite \) \
\( -clone 10,11 -compose dissolve -define compose:args=25 -composite \) \
-delete 10,11 \
\
\( -clone 10,5 -compose softlight -composite \) \
\( -clone 10,11 -compose dissolve -define compose:args=12.5 -composite \) \
-delete 10,11 \
\
\( -clone 10,6 -compose softlight -composite \) \
\( -clone 10,11 -compose dissolve -define compose:args=6.25 -composite \) \
-delete 10,11 \
\
\( -clone 10,7 -compose softlight -composite \) \
\( -clone 10,11 -compose dissolve -define compose:args=3.125 -composite \) \
-delete 10,11 \
\
\( -clone 10,8 -compose softlight -composite \) \
\( -clone 10,11 -compose dissolve -define compose:args=1.5625 -composite \) \
-delete 10,11 \
\
\( -clone 10,9 -compose softlight -composite \) \
\( -clone 10,11 -compose dissolve -define compose:args=0.78125 -composite -equalize \) \
-delete 2-11 \
\
\
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x16 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x8 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x4 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x2 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x1 -auto-level \) \
\
\( -clone 3,4 -compose softlight -composite \) \
\( -clone 3,11 -compose dissolve -define compose:args=50 -composite \) \
-delete 11 \
\
\( -clone 11,5 -compose softlight -composite \) \
\( -clone 11,12 -compose dissolve -define compose:args=25 -composite \) \
-delete 11,12 \
\
\( -clone 11,6 -compose softlight -composite \) \
\( -clone 11,12 -compose dissolve -define compose:args=12.5 -composite \) \
-delete 11,12 \
\
\( -clone 11,7 -compose softlight -composite \) \
\( -clone 11,12 -compose dissolve -define compose:args=6.25 -composite \) \
-delete 11,12 \
\
\( -clone 11,8 -compose softlight -composite \) \
\( -clone 11,12 -compose dissolve -define compose:args=3.125 -composite \) \
-delete 11,12 \
\
\( -clone 11,9 -compose softlight -composite \) \
\( -clone 11,12 -compose dissolve -define compose:args=1.5625 -composite \) \
-delete 11,12 \
\
\( -clone 11,10 -compose softlight -composite \) \
\( -clone 11,12 -compose dissolve -define compose:args=0.78125 -composite -equalize \) \
-delete 3-12 \
\
\
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x16 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x8 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x4 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x2 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x1 -auto-level \) \
\
\( -clone 4,5 -compose softlight -composite \) \
\( -clone 4,12 -compose dissolve -define compose:args=50 -composite \) \
-delete 12 \
\
\( -clone 12,6 -compose softlight -composite \) \
\( -clone 12,13 -compose dissolve -define compose:args=25 -composite \) \
-delete 12,13 \
\
\( -clone 12,7 -compose softlight -composite \) \
\( -clone 12,13 -compose dissolve -define compose:args=12.5 -composite \) \
-delete 12,13 \
\
\( -clone 12,8 -compose softlight -composite \) \
\( -clone 12,13 -compose dissolve -define compose:args=6.25 -composite \) \
-delete 12,13 \
\
\( -clone 12,9 -compose softlight -composite \) \
\( -clone 12,13 -compose dissolve -define compose:args=3.125 -composite \) \
-delete 12,13 \
\
\( -clone 12,10 -compose softlight -composite \) \
\( -clone 12,13 -compose dissolve -define compose:args=1.5625 -composite \) \
-delete 12,13 \
\
\( -clone 12,11 -compose softlight -composite \) \
\( -clone 12,13 -compose dissolve -define compose:args=0.78125 -composite -equalize \) \
-delete 4-13 \
\
\
\
\
\
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x16 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x8 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x4 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x2 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x1 -auto-level \) \
\
\( -clone 5,6 -compose softlight -composite \) \
\( -clone 5,13 -compose dissolve -define compose:args=50 -composite \) \
-delete 13 \
\
\( -clone 13,7 -compose softlight -composite \) \
\( -clone 13,14 -compose dissolve -define compose:args=25 -composite \) \
-delete 13,14 \
\
\( -clone 13,8 -compose softlight -composite \) \
\( -clone 13,14 -compose dissolve -define compose:args=12.5 -composite \) \
-delete 13,14 \
\
\( -clone 13,9 -compose softlight -composite \) \
\( -clone 13,14 -compose dissolve -define compose:args=6.25 -composite \) \
-delete 13,14 \
\
\( -clone 13,10 -compose softlight -composite \) \
\( -clone 13,14 -compose dissolve -define compose:args=3.125 -composite \) \
-delete 13,14 \
\
\( -clone 13,11 -compose softlight -composite \) \
\( -clone 13,14 -compose dissolve -define compose:args=1.5625 -composite \) \
-delete 13,14 \
\
\( -clone 13,12 -compose softlight -composite \) \
\( -clone 13,14 -compose dissolve -define compose:args=0.78125 -composite \) \
-delete 5-14 \
\
\( -clone 5 -level 50%,50% \) \
-delete 5 \
\
\
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x16 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x8 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x4 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x2 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x1 -auto-level \) \
\
\( -clone 6,7 -compose softlight -composite \) \
\( -clone 6,14 -compose dissolve -define compose:args=50 -composite \) \
-delete 14 \
\
\( -clone 14,8 -compose softlight -composite \) \
\( -clone 14,15 -compose dissolve -define compose:args=25 -composite \) \
-delete 14,15 \
\
\( -clone 14,9 -compose softlight -composite \) \
\( -clone 14,15 -compose dissolve -define compose:args=12.5 -composite \) \
-delete 14,15 \
\
\( -clone 14,10 -compose softlight -composite \) \
\( -clone 14,15 -compose dissolve -define compose:args=6.25 -composite \) \
-delete 14,15 \
\
\( -clone 14,11 -compose softlight -composite \) \
\( -clone 14,15 -compose dissolve -define compose:args=3.125 -composite \) \
-delete 14,15 \
\
\( -clone 14,12 -compose softlight -composite \) \
\( -clone 14,15 -compose dissolve -define compose:args=1.5625 -composite \) \
-delete 14,15 \
\
\( -clone 14,13 -compose softlight -composite \) \
\( -clone 14,15 -compose dissolve -define compose:args=0.78125 -composite \) \
-delete 6-15 \
\
\( -clone 6 -level 50%,50% \) \
-delete 6 \
\
\
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x16 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x8 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x4 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x2 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x1 -auto-level \) \
\
\( -clone 7,8 -compose softlight -composite \) \
\( -clone 7,15 -compose dissolve -define compose:args=50 -composite \) \
-delete 15 \
\
\( -clone 15,9 -compose softlight -composite \) \
\( -clone 15,16 -compose dissolve -define compose:args=25 -composite \) \
-delete 15,16 \
\
\( -clone 15,10 -compose softlight -composite \) \
\( -clone 15,16 -compose dissolve -define compose:args=12.5 -composite \) \
-delete 15,16 \
\
\( -clone 15,11 -compose softlight -composite \) \
\( -clone 15,16 -compose dissolve -define compose:args=6.25 -composite \) \
-delete 15,16 \
\
\( -clone 15,12 -compose softlight -composite \) \
\( -clone 15,16 -compose dissolve -define compose:args=3.125 -composite \) \
-delete 15,16 \
\
\( -clone 15,13 -compose softlight -composite \) \
\( -clone 15,16 -compose dissolve -define compose:args=1.5625 -composite \) \
-delete 15,16 \
\
\( -clone 15,14 -compose softlight -composite \) \
\( -clone 15,16 -compose dissolve -define compose:args=0.78125 -composite \) \
-delete 7-16 \
\
\( -clone 7 -level 50%,50% \) \
-delete 7 \
\
\
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\( +clone -channel G \
-virtual-pixel tile -blur 0x32 -auto-level \) \
+swap +delete \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x32 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x16 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x8 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x4 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x2 -auto-level \) \
\
\( -clone 0 -channel G +noise random \
-virtual-pixel tile -blur 0x1 -auto-level \) \
\
\( -clone 8,9 -compose softlight -composite \) \
\( -clone 8,16 -compose dissolve -define compose:args=50 -composite \) \
-delete 16 \
\
\( -clone 16,10 -compose softlight -composite \) \
\( -clone 16,17 -compose dissolve -define compose:args=25 -composite \) \
-delete 16,17 \
\
\( -clone 16,11 -compose softlight -composite \) \
\( -clone 16,17 -compose dissolve -define compose:args=12.5 -composite \) \
-delete 16,17 \
\
\( -clone 16,12 -compose softlight -composite \) \
\( -clone 16,17 -compose dissolve -define compose:args=6.25 -composite \) \
-delete 16,17 \
\
\( -clone 16,13 -compose softlight -composite \) \
\( -clone 16,17 -compose dissolve -define compose:args=3.125 -composite \) \
-delete 16,17 \
\
\( -clone 16,14 -compose softlight -composite \) \
\( -clone 16,17 -compose dissolve -define compose:args=1.5625 -composite \) \
-delete 16,17 \
\
\( -clone 16,15 -compose softlight -composite \) \
\( -clone 16,17 -compose dissolve -define compose:args=0.78125 -composite \) \
-delete 8-17 \
\
\( -clone 8 -level 50%,50% \) \
-delete 8 \
\
-delete 0 \
\
\
\
\
\
\
\( -clone 0,4 -compose softlight -composite -channel RGB -modulate 100,0 -auto-level \) \
\( -clone 1,5 -compose softlight -composite -channel RGB -modulate 100,0 -auto-level -channel red -negate \) \
\( -clone 2,6 -compose softlight -composite -channel RGB -modulate 100,0 -auto-level -channel green -negate \) \
\( -clone 3,7 -compose softlight -composite -channel RGB -modulate 100,0 -auto-level -channel blue -negate \) \
-delete 0-7 \
\
\( -clone 0,1 -compose dissolve -define compose:args=50 -composite -channel RGB \) \
\( -clone 2,3 -compose dissolve -define compose:args=50 -composite -channel RGB \) \
\( -clone 4,5 -compose dissolve -define compose:args=50 -composite -channel RGB -equalize \) \
-delete 0-5 \
\
./images/$( printf %04d $(( $counter + $offset )) ).png; \
\
counter=$(( $counter + 1 )); \
done
\


nice!(1)  コメント(0) 
前の8件 | -