Даунскейл: форум автолюбителей, обмен опытом, мнения экспертов — автомобильный форум АВТО.РУ

Технический обзор PlayStation 5 от Digital Foundry » Community

Специалисты Digital Foundry опубликовали технический обзор игровой консоли нового поколения PlayStation 5 от Sony, где рассказали о поддержке HDMI 2.1, температурах игровой консоли в объективе тепловизора, энергопотреблении в различных режимах, контроллере DualSense и возможности установки дополнительного SSD-накопителя формата M.2. Выписали ключевые моменты из этой статьи:

Загрузка системы и интерфейс

• Холодная загрузка PlayStation 5 занимает менее 14 секунд, а при выходе из режима ожидания консоль включается примерно на 7 секунд.
• Дашборд выводится в нативном 4K-разрешении, так что мы имеем чёткий текст, иконки и изображения. Причём он поддерживает HDR, что делает его ещё более красивым.
• В целом, дашборд выглядит футуристичным, изысканным и доведённым до совершенства.
  
• Настройки системы во многом напоминают вариант из PlayStation 4 с небольшими изменениями.
• Режимы «Качество» и «Производительность» можно выставить в настройках по умолчанию, и все игры будут запускаться именно в этом режиме. Изменять настройки графики для каждой конкретной игры не потребуется.
  

HDMI 2.1, 120 Гц и т. д.

• PlayStation 5 поддерживает стандарт HDMI 2.1, который позволяет выводить изображение в 4K 120 Гц, однако пользователь, похоже, не сможет самостоятельно включать режим 120 Гц на своей консоли. Этот режим будет включаться автоматически, если это потребуется игре.
• На текущий момент нет признаков, что PlayStation 5 поддерживает технологию Variable Refresh Rate (VRR). Эта технология позволяет адаптивно синхронизировать частоту обновления монитора и частоту смены кадров в игре (FPS).
• Заявлено, что PlayStation 5 поддерживает разрешение 8K, однако на деле максимальным разрешением является 4K.
• Не обнаружена поддержка технологии ALLM, благодаря которой телевизоры могут автоматически переключаться в игровой режим с низкой задержкой вывода.
• Нет нативной поддержки мониторов с разрешением 1440p. Правда если монитор поддерживает стандарт HDMI 2.0, то можно надеяться на даунскейл с 4K до 1440p.

Система охлаждения

• Консоль явно спроектирована для размещения в вертикальном положении, и так она выглядит футуристично и элегантно. А вот в горизонтальном положении всё не так хорошо.
• Подставка в горизонтальном положении легко слетает при попытке переместить консоль.
• Учитывая существенный рост производительности, остро встал вопрос о выделении и рассеивании тепла. Microsoft постаралась сделать компактное устройство максимально увеличить воздушный поток, тогда как Sony сделала больше простора, позволив теплу выводиться из корпуса в нескольких направлениях с помощью 120 мм вентилятора. Одна и та же проблема решается по-разному, но оба варианта работают. Консоли получились прохладными и тихими.
• Вблизи консоли можно услышать лёгкий шум вентилятора, но в условиях гостиной, офиса или спальни он полностью растворяется в окружающем вас фоновом шуме.

Температуры

• Верхняя часть консоли практически не нагревается и имеет комнатную температуру.
• Даже в центре, где расположен процессор консоли, температура корпуса составляет около 30°C.
• Часть избыточного тепла покидает консоль через вентиляционные отверстия в центре, где температура поднимается до 40°C.
• Задняя часть консоль является основным местом для вывода тепла, и температура здесь достигает максимум 50°C.
• Самой горячей точкой на тепловизоре оказался LAN-порт, который нагрелся до 57°C. Но, похоже, дело просто в использующемся металле, так что беспокоиться вряд ли стоит.

Энергопотребление

• Энергопотребление в дашборде составляет около 70 Вт, хотя вскоре снижается до 60 Вт.
• После загрузки в Spider-Man: Miles Morales энергопотребление возрастает до 200 Вт. Примерно такое же значения в Devil May Cry 5: Special Edition.
• Предварительно, PlayStation 5 потребляет больше, чем Xbox Series X. Правда Xbox тестировался на игре Gears 5, так как пока это самая требовательная игра для этой консоли. Требуется дополнительное тестирование.
• В режиме ожидания консоль потребляет всего 1,5 Вт, что впечатляет. Конечно, если в фоне загружается игра, то энергопотребление будет выше.

DualSense и 3D Audio

• Новый контроллер DualSense превосходит все ожидания. Правда журналистам очень сложно описать, насколько он прекрасен.
• Конструкция геймпада потрясающая, и она отражает высокое качество и потрясающее ощущение от использования.
• По-началу адаптивные триггеры кажутся немного странными, но стоит просто запустить Astro’s Playroom, как всё становится на свои места. DualSense выглядит революционным устройством.
• Геймпад позволяет почувствовать ветер, песчаную бурю и даже дождь, при котором отдельные капли будто падают на героя игры. Тактильная обратная связь дополняется звуками из внутреннего динамика DualSense, что выводит выводит ощущение от игры на совершенно новый уровень.
• Astro’s Playroom, вероятно, создан специально для того, чтобы продемонстрировать все возможности DualSense. В Spider-Man: Miles Morales эти эффекты не так сильно меняют ощущение от игры.
• Сочетание тактильной обратной связи и звуков в шутерах кажется настолько естественным, что экспертам приходилось подносить геймпад к уху, чтобы точно определить, как звук и обратная связь работают вместе.
• Технология 3D-аудио в сочетании с обычными наушниками не кажется какой-то революционной, а скорее похоже на имитацию нескольких динамиков. Возможно, что-то изменится в будущем.

Хранилище и возможность расширения

• Переход от HDD к SSD действительно может стать революционным для игровой индустрии, но затраты на расширение памяти консоли оказываются слишком высоки. Карта расширения памяти Xbox ёмкостью 1 ТБ стоит почти столько же, сколько консоль Xbox Series S.
• Внутренний SSD-накопитель в PlayStation 5 имеет ёмкость 825 ГБ, но лишь 667 ГБ будет доступно пользователю для установки игр. Для сравнения, на Xbox Series X и Xbox Series S будет доступно 802 ГБ и 364 ГБ соответственно. Так что рано или поздно, вероятно, придётся расширять хранилище.
• Sony обещает, что в PlayStation 5 можно будет устанавливать SSD-накопители PCIe 4.0 формата M.2. И сделать это совершенно несложно. Белые боковые панели снимаются легко, а дальше нужно всего лишь снять крышку отсека, вставить и закрепить накопитель M. 2, закрыть крышку отсека и вернуть на место боковые панели.
• Специалисты установили накопители Samsung 980 Pro NVMe, который теоретически соответствует пропускной способности 7 ГБ/с, необходимой для PlayStation 5. Однако пока это не даёт результатов.
• Если установить любой диск M.2 в слот, то PlayStation 5 начинает жаловаться на ваши действия и попросту отказывается включаться до момента, пока вы не уберёте диск из слота.
• Надеемся, что вскоре после начала продаж Sony внесёт в список совместимых несколько SSD M.2.
• Игры по обратной совместимости можно перенести на внешний USB-накопители, но для игр нового поколения пока вариантов нет.
• Похоже, отсек для M.2 не имеет какого-либо охлаждения, но Sony наверняка знает о тепловыделении накопителей NVMe, и каких-либо проблем быть не должно.

Видео-урок по видеомонтажу 4k 8k 16k на слабом компьютере

Бесплатный видео урок для начинающих и опытных видеомонтажёров, как монтировать видео 4к 8к 16к на слабом компьютере PC или Mac

В данном видео рассмотрим методику работы с видео высокого разрешения 4k 8k 16k в монтажной программе FCPX на Mac OS X. Аналогично видеомонтаж можно производить с применением прокси на компьютерах PC под Windows в программах Sony Vegas, Adobe Premier, Davinchi Resolve.

Чтоб видео в монтажной программе не тормозило его необходимо перегнать в облегченный формат прокси (proxy).

Суть методики видеомонтажа в качестве proxy сводится к тому, что монтаж производится на легких прокси файлах на слабом компьютер и перед просчетом (рендером) производится замена прокси файлов на оригиналы в 4к или 8к или 16к и так далее.

Каждая монтажная программа имеет свой формат прокси, благодаря которому работа в монтажной программе идет без тормозов и глюков.
В нашем случае для монтажной программы FCPX гнать будем в формат proxy apple pro ress с разрешение 960х540.

ВАЖНО! Монтажные программы гонят в прокси с понижением разрешения в 2-а раза! Но для комфортной работы на слабых ноутбуках и компьютерах этого не достаточно.
По данной методике конвертировать нужно в прокси до разрешения 960х540.
Конечно можно и еще ниже, но нам для комфортной работы этого достаточно.

Сделать это можно различными способами. Можно пере конвертировать через специальные программы конвертеры, можно через саму монтажную программу.
Было лень разбираться с конверторами, какой быстрее всех перегоняет в формат прокси 960х540 в apple pro ress, а эппловский компрессор очень медленно конвертирует файлы h.265 кодака.

Рассмотрим как можно перегнать 10-ибитный файл HLG в h.265 кодаке в 4к50р с камеры Fujifilm XT-3 в ПРОКСИ с разрешением 960х540 через монтажную программу FCPX.

Запускаем файнал кат (FCPX)
Создаем проект

Кидаем файл в 4к50р на таймлайн. Видео идет с рывками. imac 2011 года не тянет.

Будем гнать в прокси в два этапа, потому что в FXPX по дефолту только даунскейл в 2 раза.
Так из 4К в 960р – даунскейл в прокси делаем за два прохода. Кому-то покажется что слишком мудрено, но на практике, на стареньком маке этот способ оказался во много-много-много раз быстрее чем если гнать через компрессор.

Выбираем наши файлы, ставим галочку «просчитать прокси».

Процесс конвертации пошел.

После завершения, закрываем файнал кат.
Находим папку в которой содержатся прокси с разрешением 1920.

Вытаскиваем их от туда.
Мочим проект, чтоб не копить хлам.

Аналогично производим конвертацию прокси с разрешением 1920 на прокси с разрешением 960.

Затем приступаем к работе, создаем проект, подгружаем рабочие файлы прокси с разрешением 960х540 и производим видеомонтаж.

Перед тем как произвести рендер, производим замену прокси файлов на оригинал и производим просчет.

Выбираем интересующие файлы на замену, идем в закладку «File», жмем «Relink Files»

Ставим галочку «All» — т.e. замена всех файлов в проекте, жмем «Locate Selected…» т.e. указываем путь, папку где хранится файл для подмены.

Находим и указываем файл для подмены proxy 960×540 на оригинал 3840х2160, жмем «Choose»

Подтверждаем правильность подмены файлов, жмем кнопку «Relink Files»

Нажимаем клавиши «CMD+E» — производим рендер/просчет смонтированного видео в программе FCPX в необходимый формат, в нашем случае это Apple Pro Ress 422.

Данную методику по замене тяжелых файлов на легкие применяю более 12 лет.

Данная методика позволяет успешно производить монтаж концертов и выступлений снятых на большое количество камер.

По данной методике можно производить монтаж видео с разрешением 4к, или 8к, или 16к.

Словарик кодировщика видео — Теория/инфа по видео и его кодированию — Кодирование/конвертация видео — инструкции/уроки — Статьи — MiniSite

Будет дополняться по мере возможности, если вспомню еще что) не уверен что есть смысл добавлять все слова, в т.ч. технические(дабы значение оных можно найти без проблем и такой инфы пруд пруди). Преимущественно будут слова которые можно отнести больше к слэнгу кодировщиков видео (особенно всякие английские слова, которые обожают писать тупо русской транскрипцией вместо перевода, который обычно по сути есть и причем нормальный)(также более редкие слова, правильное значение которых сложнее найти).

Артефакты (артефакты сжатия) — это заметные искажения изображения, звука, видео и т. д., вызываемые сжатием с потерями. В видео из-за недостатка битрейта на той или иной сцене, в следствии неправильного кодирования, частыми артефактами являются потеря детализации(четкости), блочность изображения (так называемые «квадратики» или «пиксели» на изображении).

Бандинг (от англ. Banding)(постеризация или изогелия) — это такие артефакты на плавных градиентах(часто на темных) в виде полосатости(ступенчатые градиенты), т.е. градиент не плавно переходит из одного оттенка в другой, а волнами с видимыми резкими, в той или иной степени, переходами от одного оттенка к другому, вместо плавного перехода цвета.

Немного подробнее — Артефакты сжатия видео — бандинг и другие

Апскейл (от англ. Upscale) — увеличение разрешения(размера картинки) видео в той или иной степени(как правило более менее значительной) относительно оригинала.

Даунскейл (от англ. Downscale) — уменьшение разрешения(размера картинки) видео в той или иной степени(как правило более менее значительной) относительно оригинала.

Квантизер (Q) (Detail Removal Factor(DRF)) — коэффициент сжатия видео, это величина, показывающая степень потери детализации изображения, т.е. обратно пропорциональная качеству. Чем ниже значение квантизера тем ниже степень сжатия и соответственно лучше качество видео.

Шарп, Шарпинг (от англ. Sharp, Sharping) — четкость или резкость. Часто применяется в отношении увеличения четкости видео. Перешарп — соответственно усиленная четкость. Имеется ввиду слишком сильное усиление четкости изображения, которое приводит к некоторому искажению качества видео, т.е. порчи, и появлению артефактов.

Okko первым из российских видеосервисов покажет контент в 8K

23.09.2020 15:32

Okko первым из российских мультимедийных сервисов покажет видео в 8K, сообщает пресс-служба видеосервиса. 

В числе первых фильмов в 8K Okko представит «Олдбой», «Пятый элемент» и «Неудержимые 3». Среди эксклюзивных премьер сервиса также такие документальные фильмы серии ‘The Explorers – Planet Inventory’, как «ЮАР. Дикая саванна», «Канадская Арктика. Царство льда» и другие. Подборка контента в разрешении 8K появится в октябре и будет регулярно пополняться.

Okko также анонсировал запуск сервиса Okko Kids с функциями родительского контроля, гарантирующими безопасное смотрение для маленьких зрителей. Благодаря возможности выбора одной из трёх возрастных категорий дети любого возраста смогут смотреть идеально подходящий контент. Запуск сервиса состоится в конце 2020 года. Контент будет отобран детскими психологами и известными родителями. 

Okko Studios, департамент, отвечающий за создание собственного контента Okko, анонсировал старт съёмок сразу двух новых эксклюзивных проектов – сериалов «В клетке 2» и «Моя большая тайна». Подробную информацию о проектах, составе творческих групп и актерских составах представители Okko Studios раскроют в ближайшее время.  

Также сообщается, что французская международная платформа The Explorers рада сообщить об эксклюзивном запуске своего контента в 8K в российском мультимедийном сервисе Оkkо c 1 октября 2020 года. Аудитории Okko впервые смогут посмотреть фильмы о самых красивых местах нашей планеты и их обитателях, в том числе аэро- и подводные съёмки, снятые на новейшем 8К оборудовании во Французской Полинезии, Западном Папуа, Арктике, ЮАР, Гондурасе, Новой Каледонии и других странах и территориях. Ранее через своего российского партнёра, компанию Скай Медиа, The Explorers уже начали сотрудничество с рядом российских операторов, предоставляя им даунскейл своих фильмов в 4К и HD форматах.

Недавно Okko пополнил библиотеку контентом студии Warner Brothers — одного из крупнейших концернов по производству фильмов и телесериалов. В сервисе появится более 45 кинолент и более 500 эпизодов сериалов, созданных киностудией. 

Samsung: развитие 8K зависит от технологий сжатия видео

Источник изображения: Shutterstock

Развитие 8K полностью соответствует технологической стратегии Samsung Electronics на ближайшие годы, заявил в ходе онлайн-конференции 4K Summit эксперт британского научно-исследовательского подразделения Samsung R&D UK Business Development & Industrial Affairs Ричард Мортон (Richard Moreton).

«Мы ясно видим будущее для 8K, не только с точки зрения продажи телевизионных панелей, но и для развития всей индустрии 8K. Наша цель — совместно с нашими отраслевыми партнерами развивать экосистему 8K, которая придет на смену 4K», — цитирует слова Мортона издание Advanced Television.

По его словам, Samsung разработала основанную на искусственном интеллекте технологию ScaleNet, обеспечивающую экономию полосы пропускания при передаче сигнала 8K на уровне 50%. Сейчас разработка этой технологии продолжается, компания ищет возможности ее коммерциализации. ScaleNet делает смарт-даунскейл видео до его загрузки в канал связи, а после доставки потока на устройство картинка масштабируется до исходного разрешения. Таким образом можно передавать видео 8K по каналу, рассчитанному на 4K или 4K — в канале с полосой пропускания для 2K.

Говоря о предложении контента 8K, Мортон высоко оценил потенциал продюсеров и вещателей. В то же время ожидания индустрии в этой области были во многом связаны с трансляцией в 8К Олимпийских игр в Токио, но не оправдались из-за переноса Олимпиады.

Эксперт высоко оценил съемки в 8K в рамках французского проекта The Explorers, цель которого — запечатлеть для будущих поколений природное разнообразие неосвоенных территорий в 4K HDR и 8K HDR. Мортон отметил, что 4K-телевизоры Samsung отлично воспроизводят декодированные в 4K съемки The Explorers, изначально выполненные в 8К, однако оригинальный материал без декодирования на устройствах с 8К «выглядит по-настоящему потрясающе».

К положительным тенденциям эксперт отнес увеличение на YouTube объема 8K-контента с кодеком AV1.

«Нужно признать, что 8K нуждается в технологиях оптимизации и сжатия видео, чтобы стать более доступным. Кодек AV1 предназначен для использования без лицензионных отчислений и был принят Google, Facebook, Netflix, Amazon и другими. За AV1 нужно следить, многие аппаратные и программные продукты 2020 года поддерживают этот кодек», — сказал Мортон, добавив, что для сжатия 8K также используют кодеки HEVC, MPEG5 и ITU.

Используя эти кодеки, вещатели показывают примеры успешных трансляций в 8К. В частности, в феврале 2020 года оператор BT совместно с Samsung показывал футбольный матч «Арсенал» — «Олимпиакос» с использованием камеры Sony UHC-8300 8K и сжатия HEVC, сигнал передавался в канале 70 Мб/сек.

Испанская телекомпания RTVE в октябре передала сигнал 8K в сети DVB-T2 в пилотном режиме. Результат этой трансляции Мортон назвал «фантастическим».

На прошлой неделе старший директор по исследованиям компании Omdia Мария Руа Агуете (Maria Rua Aguete)  заявила, что не разделяет оптимизма в отношении прогресса в 8K. По ее словам, количество проданных устройств с поддержкой 8K невелико, например, на всю Японию приходится не более 6 тыс. проданных телевизоров 8K.

IP TV для операторов связи

Одной из основных специализаций и центров компетенций нашей организации является предоставление услуг по доставке сигналов телеканалов до операторов спутникового и кабельного телевидения.

           Обладая собственной обширной оптоволоконной сетью в Москве и МО и точками присутствия в основных узлах обмена трафиком, включая специализированые телевизионные: ММТС-9, ММТС-10, РТРС, ВГТРК, ГПКС, Геотелекоммуникации, СТВ, Москинап, Газпром мы имеем возможность:

1. 1. Совместно разработать проект по Интернет вещанию на базе вашей платформы, но посредством нашего ТВ-сигнала;
2. 2. Предоставить собственную платформу IP TV для предоставления оператором услуги конечным абонентам;
3. 3. Осуществлять агрегирование и конвертацию ТВ сигнала из различных форматов и подачу его оператору кабельного вещания в IP формате;
4. 4. Осуществлять транспортировку сигналов 1, 2 мультиплекса до операторов кабельного телевидения;
5. 5. Услуги по доставке и подъему телесигнала на спутник связи через ГПКС.

Услуги предоставляются на базе собственных линий связи. Строительство и эксплуатация сети производится своими силами, имеется аварийная служба ВОЛС с круглосуточным режимом работы.

В настоящий момент завершается ввод в строй  модернизированного центрального узла связи и обработки сигналов. Узел оснащен современными инженерными системами, смонтированная емкость — 30 стоек, имеется приемный телепорт с антеннами больших диаметров.

Узел связан со всеми крупными центрами обработки данных и точками обмена трафиком, аппаратными многих телеканалов и контент-агрегаторов. Большинство телеканалов, которые присутствуют на этом узле связи, мы забираем в аппаратных самих телеканалов, посредством физики. В основном это студийный сигнал в формате SDI.

Мониторинг входящих и исходящих сигналов осуществляется в режиме 24/7 силами дежурной смены, применяется как аппаратный, так и визуальный контроль.

Возможности сети и применяемого оборудования позволяют оперативно осуществлять ввод горячего резерва при аварийных ситуациях.

Состав услуг, который мы реализовываем для операторов и телеканалов:

Среди наших преимуществ стоит выделить:

Решено: Тормоза 4К на KD-49XE9005 по WiFi AC

---

magvld написано:

Ознакомьтесь с этим:

https://github. com/CiNcH83/sony_atv/issues/4

---

---

akelesy написано:

И что?

---

---

magvld написано:

ровным счетом ничего, там просто написнано, о том, что канал высокой пропускной способности организуется между антеннами беспроводных устройств, а сами устройства подключаются к стандартным интерфейсам которые не обладают такой же высокой пропускной способностью….

так что весть этот хайп с беспроводными устройствами большой пропускной способности в основном расчтан на не очень разбирающихся людей ( ?   ), что бы продать им новую  ненужную железяку. 

Нет ничего надежнее и стабильнее соединения медным пачкодом. 

---

---

akelesy написано:

Не очевидно (кстати, там написано «Connection a 802.11ac 2×2 MIMO via USB 2.0 which can roughly achieve half the throughput. It should still give us way more than those ~100mbps though). Но даже если действительно тормозом выступает USB2, VLC плеер всё равно воспроизводит. Хотя, возможно программно делает даунскейл? Надо сравнить картинку.

---

 … таки, далеко ходить не надо (  😞

— прямо у коллеги с нашенского форума имеется реальный результат (подтверждающий ожидания коллеги CiNcH83  с github.com , что по ссылке выше, т.е. примерно половины пропускной способности спецификации стандарта USB 2.0):

«У меня телевизор XE9005 и та же проблема — по вай фаю 5Ггц через спид тесты в Opera на телеке показывает максимум 60/30 мегабит. При этом телефон стабильно 150/150 (через приложение Speed test от ookla). НО!!!….. чтоб развеять сомнения окончательно, я скачал apk приложения  SpeedTest (так как через play store его установить нельзя) и замерял скорость в нем. Результат превзошел ожидания — 180 мегабит!» 

(за деталями см. сюда: https://community.sony.ru/t5/televizory/skorost-internet-soedineniya/m-p/2390943#M19751 )

— а также у нашего ирландского коллеги EggDublin имеется такой успешный опыт применительно к 2015 Bravia Android TV:

«I connect to my AC router at between 500-600mbps ( ) — the router is about 8m from the TV.
I configured the router to be AC only in the 5mhz band and gave it a different SSID so the TV always connects via AC. It works much better than the ethernet connection if you are trying to stream from a NAS.» 

«Правильная постановка задачи важнее даже, чем её решение…»  (Альберт Эйнштейн)

Определение уменьшения масштаба по Merriam-Webster

переходный глагол

: , чтобы сократить размер или объем рецессия вынудила нас уменьшить планы на отпуск

: ниже по классу, доходу или качеству

Что такое даунскейлинг? | California Climate Commons

Поскольку масштаб выходных данных модели глобальной циркуляции (GCM) является грубым — ячейка сетки из типичного прогона модели GCM равна 2. 5 x 2,5 градуса или примерно 250 квадратных километров — трудно использовать выходные данные GCM непосредственно в большинстве региональных и локальных моделей окружающей среды. Напротив, необходимо уменьшить масштаб выходных данных GCM: то есть добавить информацию в модель, чтобы она имела более точное пространственное разрешение. Есть две общие стратегии масштабирования. Первый называется динамическим уменьшением масштаба. При таком подходе физические метеорологические процессы непосредственно моделируются в более мелком пространственном масштабе, включая эффекты региональной топографии и земного покрова, типичные масштабы составляют от 1/2 до 1/16 градуса.Поскольку динамическое масштабирование требует очень больших вычислительных ресурсов, оно не часто используется для прогнозов климата, особенно для тех, которые рассчитаны на несколько десятилетий или включают несколько моделей. Скорее, в большинстве масштабных прогнозов климата используются статистические подходы.

Обычно используются несколько различных типов статистических подходов. Первый метод, называемый подходом дельты или коэффициента изменения, просто добавляет прогнозируемое изменение для всей ячейки GCM в мелкомасштабную сетку базовой текущей климатической переменной.Второй метод, называемый типизацией погоды или построенными аналогами, использует прогноз GCM, обращается к базе данных исторических погодных моделей и статистически объединяет небольшой набор шаблонов, подобных прогнозу GCM, для построения мелкомасштабной карты климатической переменной. Третий метод, пространственная дезагрегация с поправкой на смещение (BCSD), связывает квантили прогнозов GCM с историческими моделями для создания ежедневных временных рядов для построения уменьшенной сетки.

Модель описания бассейна Калифорнии использует несколько этапов масштабирования для создания карт проекций климата с разрешением 270 метров.Во-первых, выходной сигнал GCM при 2 градусах сокращается до 12-километровой сетки с использованием метода построенных аналогов. На втором этапе 12-километровый результат интерполируется до 4-километрового масштаба с использованием обратного квадрата расстояния. Затем историческая климатическая карта с разрешением 4 км (климатическая модель PRISM) используется для разработки статистики поправок на смещение, которые используются для уточнения климатических проекций в масштабе 4 км. Наконец, градиентная интерполяция расстояния, обратного квадрату, используется для создания поверхности проекции климата в масштабе 270 метров.

Некоторые ресурсы, относящиеся к уменьшению масштаба, включают:

Определение для изучающих английский язык из Словаря учащихся Merriam-Webster

уменьшение масштаба; уменьшено; уменьшение масштаба

уменьшение масштаба; уменьшено; уменьшение масштаба

Определение DOWNSCALE для учащихся

[+ объект] нас

² уменьшать масштаб / ˈDaʊnˌskeɪL / прилагательное

² уменьшать масштаб

/ ˈDaʊnˌskeɪL /

прилагательное

Определение DOWNSCALE для учащихся

[больше масштабирования; самый мелкий] нас

уменьшение масштаба —

Эта функция уменьшает масштаб изображения в браузере, обеспечивая более качественный результат, чем традиционный CanvasRenderingContext2D. scale () метод. Он нейтрализует «нечеткий» вид, вызванный понижающей дискретизацией холста при обработке относительно больших изображений, таких как фотографии, сделанные с помощью смартфона. Проверьте демонстрационную страницу.

Мотивация

В то время как другие библиотеки изменения размера изображения основаны на сложных алгоритмах интерполяции, таких как передискретизация Ланцоша, уменьшение масштаба изображения обычно не требует такой сложности, поскольку не происходит интерполяции (другими словами, мы не создаем новые пиксели).

С другой стороны, браузеры реализуют очень быструю понижающую дискретизацию HTMLCanvasElement , когда пиксель из исходной позиции напрямую переносится в целевую позицию, теряя всю информацию о соседних пикселях. Полученное изображение часто может выглядеть очень зашумленным.

Чтобы решить эту проблему, предлагаемая функция выполняет простую субдискретизацию средней площади, что дает предпочтительные результаты при относительно небольшом времени обработки.

Производительность

Эта функция использует технику, предложенную Полем Руже в его статье о манипуляции с пикселями с помощью типизированных массивов.Его метод сокращает количество операций чтения / записи до ArrayBuffer из ImageData , возвращаемого методом CanvasRenderingContext2D.getImageData () . Это экономит общее время обработки, когда вы хотите перебрать каждый пиксель исходного изображения.

Кроме того, избегается использование метода Math.round () в пользу побитовых операторов, что значительно повышает производительность в некоторых браузерах.

Обрезка изображения

Обрезка изображения очень часто используется в сочетании с изменением размера, но оба эти способа можно очень естественно комбинировать.Поскольку нам не нужно перебирать пиксели в обрезанных областях, функция выполняет и масштабирование, и обрезку в пределах одного и того же цикла обработки. Это экономит память и время обработки.

По умолчанию исходное изображение обрезается таким образом, чтобы центр исходного изображения переносился на результирующее изображение.

Откат на холст

Функция также использует базовый метод изменения размера canvas , когда масштабный коэффициент результирующего изображения больше 0.5x. Таким образом, лучшее масштабирование происходит только тогда, когда результирующее изображение как минимум в 2 раза меньше исходного изображения. В других случаях базовое изменение размера холста и дает лучший результат качества изображения.

Установить

  npm установить уменьшение масштаба
  

Синтаксис

 
 Уменьшение масштаба обещания  (источник, ширина, высота [, параметры]); 
 

Параметры

источник

Определяет источник данных изображения для уменьшения масштаба.Это может быть:

ширина

A Число , обозначающее ширину результирующего изображения. Если значение равно 0 , ширина адаптируется для сохранения того же соотношения сторон, что и в исходном изображении.

высота

A Число , указывающее высоту полученного изображения. Если значение равно 0 , высота адаптируется для сохранения того же соотношения сторон, что и в исходном изображении.

опции ^{(опционально)}

Объект со свойствами, представляющими необязательные параметры функции:

• imageType

  — DOMString , указывающая формат изображения.Возможные значения: jpeg , png , webp . Тип формата по умолчанию — jpeg .

• качество

  A Число между 0 и 1 , указывающее качество изображения, если запрошенный imageType равен jpeg или webp . Значение по умолчанию — 0,85 .

• возвратный шар

  Логическое значение , указывающее, должно ли возвращенное обещание разрешаться с объектом Blob , представляющим результирующее изображение.Значение по умолчанию — false .

• возврат Холст

  Логическое значение , указывающее, должно ли возвращенное Promise разрешаться с HTMLCanvasElement , содержащим результирующее изображение. Значение по умолчанию — false .

• источник X

  A Число , обозначающее расстояние от левой стороны исходного изображения для рисования в контексте назначения.Это позволяет обрезать исходное изображение с левой стороны. Значение по умолчанию рассчитывается для централизации целевого прямоугольника относительно исходного холста.

• источникY

  A Число , обозначающее расстояние от верхней стороны исходного изображения для рисования в контексте назначения. Это позволяет обрезать исходное изображение сверху. Значение по умолчанию рассчитывается для централизации целевого прямоугольника относительно исходного холста.

Возвращаемое значение

Promise , которое преобразуется в DOMString , содержащую результирующее изображение в формате URI данных.

Примеры

Отправить данные изображения с помощью

Javascript

 
 function filesChanged (files) 
 
 {
 
 for (var i = 0; i  length; i ++) {
 
 downscale (files [i], 400, 400). 
 
 then (function (dataURL) {
 
 var destInput = document.createElement ("input"); 
 
 destInput.type = "hidden"; 
 
 destInput.name = "image []"; 
 
 destInput.значение = dataURL; 
 
 
 
 document.forms [0] .appendChild (destInput); 
 
 
 
 var destImg = document.createElement ("img"); 
 
 destImg.src = dataURL; 
 
 document.body.appendChild (destImg); 
 
}) 
 
} 
 
} 
 

Отправить данные изображения с помощью

Вы можете использовать еще более чистый интерфейс FormData для отправки чистых данных blob на сервер.

HTML

 
  
 
  Отправить данные формы  
 
 
 
 
 
 
 

Javascript

 
 var formData = новый FormData (); 
 
 var URL = window. URL || window.webkitURL; 
 
 
 
 function filesChanged (files) 
 
 {
 
 for (let i = 0; i  
 уменьшение масштаба (файлы [i], 400, 400, {returnBlob: 1}). 
 
 тогда (функция (blob) {
 
 
 
 formData.append ("userpic []", blob, files [i] .name); 
 
 
 
 var destImg = document.createElement ("img"); 
 
 destImg.src = URL.createObjectURL (blob); 
 
 document.body.appendChild (destImg); 
 
}) 
 
} 
 
} 
 
 
 
 функция submitForm () 
 
 {
 new request XMLHttpRequest (); 
 
 запрос.open ("POST", "http://foo.com/submitform.php"); 
 
 request.send (formData); 
 
} 
 

Изменить размер

Обработка элемента довольно проста. Функция будет ждать загрузки изображения, поэтому вам не о чем беспокоиться.

HTML

Javascript

 
 var sourceImg = document. getElementById ('источник'); 
 
 
 
 уменьшение масштаба (sourceImg, 400, 400).
 
, затем (функция (dataURL) {
 
 var destImg = document.createElement ('img'); 
 
 destImg.src = dataURL; 
 
 document.body.appendChild (destImg); 
 
}) 
 

Загрузить изображение с URL

Функция может загружать исходное изображение с заданного URL без дополнительного кода. Имейте в виду, что изображение должно иметь общий источник с файлом кода.

 
 var imageURL = "/public/1.jpg"; 
 
 
 
 уменьшение масштаба (imageURL, 400, 400).
 
, затем (функция (dataURL) {
 
 var destImg = document.createElement ('img'); 
 
 destImg.src = dataURL; 
 
 document.body.appendChild (destImg); 
 
}) 
 

Другие библиотеки

Ознакомьтесь с другими замечательными библиотеками для изменения размера изображений в браузере:

Лицензия

MIT

Увеличьте свой анализ: статистическое масштабирование для повышения пространственного разрешения

От понимания динамики бизнеса до моделирования физических и биологических процессов — масштаб имеет значение. Для пространственных данных понятие масштаба тесно связано с понятием формы. Данные с привязкой к точкам, такие как точки интереса (POI), безразмерны и, как таковые, не могут быть связаны с каким-либо масштабом. С другой стороны, имея дело с данными, связанными с дискретными единицами, нам обычно необходимо учитывать их масштаб, например, выбирая наиболее подходящие статистические единицы для данных переписи. В этом случае масштаб может возникать естественным образом, как на спутниковых снимках, где он определяется мгновенным полем обзора датчика, или в результате процесса измерения, например, для данных съемки, которые необходимо объединить в фиксированную единицу для получения значимая статистика.

Но вопрос в том, как правильно выбрать масштаб? Или, другими словами, через какую призму мы должны смотреть на нашу проблему? Выбор подходящей шкалы чрезвычайно важен, во-первых, потому что механизмы, жизненно важные для процесса на одном уровне, могут быть неинформативными на другом. Кроме того, выводы могут зависеть от уровня агрегирования или, даже для одного и того же масштаба, от того, как мы выбираем агрегирование: этот источник агрегирования и / или зонального смещения является хорошо известной проблемой, так называемой проблемой изменяемых единиц площади (MAUP). .

Однако обычно мы не можем полностью контролировать этот выбор. По мере того как новые источники данных о местоположении становятся все более доступными, специалисты по обработке данных часто сталкиваются с проблемой, как лучше всего интегрировать пространственные данные в различных масштабах. Подумайте, например, о планировании сайта: здесь обычно основное внимание уделяется обобщению характеристик местоположения магазина с точки зрения демографических характеристик его клиентов (возраст, население, доход) и некоторых географических характеристик окружающей территории (плотность точек интереса, количество ежедневные посетители и т. д.). Как мы можем объединить источники, которые из-за разницы в масштабе не только представляют несовпадающие географические регионы, но и связаны с другим «объемом» данных? Решение этой проблемы, кажется, «преобразовывает» данные в общий пространственный масштаб.

Преобразование в общий пространственный масштаб

Проблема преобразования данных из одного пространственного масштаба в другой имеет название в статистике: она называется проблемой изменения поддержки (COSP), где поддержка определяется как размер или объем, связанный с каждым значением данных.

Изменение поддержки переменной — сложная задача, с которой мы в CARTO постоянно сталкиваемся. Наша Обсерватория данных, в настоящее время находится в версии 2.0, содержит исчерпывающий набор пространственных данных из различных источников, к которым специалисты по данным могут легко получить доступ с помощью наших API-интерфейсов для более быстрой и эффективной интеграции в свои рабочие процессы. Проектирование и создание этого репозитория сопряжено с некоторыми проблемами: данные не только трудно найти и представлены в разных форматах, требующих длительных и болезненных процессов ETL, но также возникает вопрос о том, как мы должны обслуживать данные с потенциально разной географической поддержкой для наших пользователей. Именно тогда мы начали думать о COSP и о том, как решить эту проблему. Наше решение — попытаться преобразовать наши данные в наилучшем пространственном масштабе, пригодном для анализа. Затем мы всегда можем выполнить агрегирование, чтобы сделать выводы в более грубых масштабах.

Вот когда нам пригодятся статистические методы: обычно мы не можем обратиться к поставщикам данных с просьбой предоставить данные с более высокой разрешающей способностью, поскольку самый точный пространственный масштаб может быть ограничен существующей технологией, такой как спутниковые изображения, доступом к необработанным источникам, поскольку для данных переписи или в соответствии с правилами конфиденциальности, как в случае данных, полученных с помощью GPS.

Данные переписи особенно проблематичны в этом отношении: высокая стоимость сбора данных с помощью традиционных методов обследования затрудняет изучение характеристик населения в мелких пространственных масштабах. Например, данные переписи в США доступны в самом мелком масштабе на уровне блочной группы: блочные группы существенно различаются по форме и размеру и, особенно в пригородных и сельских районах, могут представлять большие географические регионы, как показано на этой карте. :

Чтобы преодолеть этот барьер, были предприняты международные усилия по увеличению пространственного масштаба распределения человеческих популяций.Однако эти инициативы ограничиваются только демографическими данными (общая численность населения, по возрастным и гендерным категориям) и не распространяются на другие социально-экономические переменные, доступные в ходе переписи. Это ограничивает действия и идеи, которые могут иметь лица, определяющие политику, для улучшения распределения ресурсов, доступности и планирования действий в случае бедствий, среди прочего. Но активы не ограничиваются государственным сектором: от того, где сосредоточить маркетинговые кампании, до планирования участка и анализа рынка для розничных продавцов, до сегментации клиентов для коммунальных компаний или для выявления новых возможностей для инвестиционных фондов, имея возможность получить Подробная картина вашего населения имеет решающее значение для выявления взаимосвязи между местоположением и эффективностью бизнеса.

Пространственный масштаб для политических кампаний

Рассмотрим, например, случай проведения местной политической кампании: насколько хорошо вы знаете свой электорат? Поразительным результатом недавних выборов в Западной Европе и Северной Америке является то, что политика, похоже, все больше превращается в борьбу между городскими и сельскими избирателями, о чем свидетельствуют результаты последних президентских выборов в США. Хотя причины этого географического разделения могут быть очень сложными, мелкомасштабные демографические и социально-экономические данные могут улучшить планирование политических кампаний и уменьшить эти различия, которые приводят к своего рода пространственной сегрегации.Популярная мантра планирования сайта — местоположение, местоположение, местоположение — может быть легко применена здесь: от обхода до дверей до размещения рекламных щитов, исследование и понимание вашего электората имеет решающее значение. Чтобы продемонстрировать понимание демографических и социально-экономических характеристик населения в увеличенном масштабе, здесь мы будем:

• Использовать статистический метод для повышения пространственного разрешения данных переписи в США (масштабирование)
• Применить многомерный анализ для вычисления показателя сходства между выбранным местоположением и остальной территорией

Сравнивая результаты для сельских и городских районов, полученные как из данных переписи (по группам блоков), так и из их уменьшенной версии, мы показываем, насколько подробная информация о граждан можно использовать для информирования избирательной стратегии и руководства тактическими усилиями.

Перед тем, как приступить к этому анализу, давайте посмотрим на практике, как можно использовать статистические методы для увеличения пространственного масштаба, эффективно уменьшая масштаб ваших данных.

Построение общей сетки

Сначала нам нужно создать общую сетку , которая в зависимости от выбранного масштаба может содержать огромное количество ячеек: данные для определенного местоположения необходимо быстро извлекать и эффективно хранить. Для этого используются квадранты: вместо хранения многоугольников Земля делится на квадранты, каждый из которых однозначно определяется цепочкой цифр, длина которой зависит от уровня масштабирования.Подобно ячейкам Google S2 или шестиугольникам h4, разработанным Uber, квадрациклы захватывают иерархию родительско-дочерних ячеек и не привязаны к какому-либо конкретному типу границ, что позволяет использовать одно и то же устройство в любой точке земного шара. Вот как выглядит сетка, построенная с квадратами с уровнем масштабирования 17 (около 300 м x 300 м на экваторе) около Олбани, штат Нью-Йорк:

Далее нам понадобится модель с уменьшением масштаба , чтобы преобразовать случайную переменную из ее поддержки. () к support (), сетке с четырьмя клавишами, которую мы только что создали, где эта переменная недоступна или никогда не наблюдалась.Для расширенных переменных (то есть таких, значение которых для блока можно рассматривать как сумму значений субблоков, как в случае совокупности), идея состоит в том, чтобы использовать данные с расширенными свойствами, доступными на уровне точек или на более тонком уровне. -масштабировать, чем целевая поддержка, как ковариаты для моделирования интересующей переменной. Использование этих ковариат более мелкого масштаба (красные булавки на рисунке ниже) имеет то преимущество, что они доступны как на исходной, так и на целевой опоре, поскольку для изменения их опоры требуется только суммирование.

Здесь мы предполагаем, что эта модель не зависит от масштаба, что не обязательно верно. Это может означать, например, что когда мы преобразуем данные обратно в исходную поддержку, их агрегированное значение не обязательно будет равно соответствующему фактическому значению. Если () и () вложены, мы всегда можем восстановить согласованность между двумя опорами путем «корректировки» прогнозов модели таким образом, чтобы при суммировании всех элементарных ячеек на целевой опоре мы обязательно получали соответствующее значение на исходная поддержка.Когда исходная и целевая опоры не вложены, для задачи прогнозирования нам вместо этого нужно прибегнуть к гибридной опоре (), полученной в результате их пересечения. Например, если исходная опора представлена ​​группами блоков, эта гибридная опора будет выглядеть так:

Чтобы окончательно получить прогнозы для целевой опоры, нам просто нужно просто просуммировать все единичные ячейки на гибридной опоре, что соответствует ячейка на целевой опоре.

Для неэквивалентных переменных (например,грамм. средний доход домохозяйства), мы все еще можем использовать аналогичный подход, основанный на мелкомасштабных обширных ковариатах, обучая модель на исходной поддержке и прогнозируя гибридную поддержку. Однако в этом случае специальная корректировка интерпретируется как схема взвешивания, основанная на модели, обученной на исходной поддержке для «перераспределения» данных, а не как поправка на изменение масштаба. Кроме того, нам также необходимо указать соответствующую операцию (например, среднее арифметическое) для преобразования прогнозов из гибридного в целевую поддержку.

Какие ковариаты более мелкого масштаба доступны для масштабирования данных переписи? Мы могли бы представить, что по крайней мере некоторые из основных социально-экономических характеристик населения США могут быть выведены из распределения населения плюс географические характеристики области, например плотность дорог или POI для различных категорий, как показано на этой карте. :

На этой карте распределение населения было получено из Worldpop, который предоставляет данные о населении с привязкой к сетке (общее количество, возраст и пол) в мелком масштабе (прибл.100 м х 100 м на экваторе).

Чтобы уменьшить размерность модели, мы начали с выбора только подмножества этих ковариат, запустив для каждой переменной переписи Обобщенную линейную модель с минимальным абсолютным сжатием и регуляризацией оператора выбора (или LASSO). Учитывая отрицательную логарифмическую вероятность для наблюдения и параметр, который контролирует общую силу штрафа, мы можем оценить коэффициенты модели, решив

По мере уменьшения размера включаются новые ковариаты вплоть до полной модели (или самой большой идентифицированная модель, когда у нас больше переменных, чем наблюдений).Чтобы определить оптимальный параметр регуляризации, мы используем перекрестную проверку в K-кратном размере и выбираем так, чтобы среднеквадратическая ошибка перекрестной проверки находилась в пределах одного стандартного отклонения от ее минимума, как показано пунктирными черными линиями на этих графиках, где последовательность выше указывает количество ковариат, выбранных для каждого значения.

Но насколько хорошо демографические и географические ковариаты могут предсказать социально-экономические характеристики места? Ясно, что ответ зависит от переменной.Хотя можно ожидать, что распределение населения, точки интереса и дороги будут хорошими предикторами количества домохозяйств или среднего возраста, они показывают гораздо меньшую прогностическую способность для переменных, связанных с доходом. Это хорошо иллюстрируется панелью слева (а) на этом рисунке:

На этой панели показаны K-кратные прогнозы перекрестной проверки по сравнению с фактическими значениями в исходной поддержке для среднего дохода домохозяйства. Ясно, что модель плохо справляется со своей задачей, так как в идеале все точки должны быть близки к диагональной линии.Учитывая, что наша цель — получить прогнозы в более мелком масштабе, чтобы преодолеть недоступность «лучших» ковариат, мы применяем подход трансфертного обучения.

В рамках этой структуры мы можем добавить второй шаг, на котором мы добавляем в качестве ковариат другие переменные отклика, для которых модель, зависящая от выбранных ковариат с высоким разрешением, имеет лучшие навыки прогнозирования. Например, мы можем обучить исходную поддержку модели, зависящей от мелкомасштабных ковариат для, а затем обучить вторую модель для мелкомасштабных функций и в качестве ковариат.Таким образом, мы «учимся» на исходной опоре для передачи мелкомасштабных функций, которые прогнозируют вариации для до, и затем мы можем использовать эти модели для прогнозирования на целевой опоре (в предположении независимости от пространственного масштаба) . Обратите внимание, что для уменьшения размерности модели мы также применяем регуляризацию LASSO на этом втором этапе. Результаты после применения этого подхода к трансфертному обучению для моделирования медианного дохода домохозяйства показаны на панели в середине рисунка выше (b): точность перекрестной проверки заметно улучшилась с более чем удвоенным псевдо-коэффициентом.

Наконец, для дальнейшего улучшения нашей модели мы можем учесть нелинейные зависимости переменной отклика от выбранных ковариат, используя модель дерева ансамбля (например, случайный лес), как показано на правой панели (c) на рисунке выше. для среднего дохода домохозяйства и в таблице ниже для других выбранных переменных ответа.

Оценка точности прогнозирования

До сих пор мы тестировали возможности прогнозирования нашей модели на исходной поддержке, где доступны фактические значения переменных, которые мы пытаемся моделировать.Однако как мы можем получить представление о качестве прогнозов для целевой опоры, если точные значения отсутствуют? Только для обширных переменных мы можем сравнить распределение нескорректированных агрегированных прогнозов на исходной поддержке (то есть на уровне группы блоков) с распределением фактических значений, как показано на рисунке ниже.

В идеале эти два распределения должны выглядеть очень похожими, с любой разницей, указывающей на возможное завышение (занижение).Например, глядя на график для населения старше 16 лет, не занятого в рабочей силе (c), это сравнение предполагает, что модель не может предсказать самые низкие квантили для уменьшенных прогнозов, несмотря на низкую систематическую ошибку для прогнозов взаимной корреляции на исходная поддержка.

Чтобы количественно оценить сходство между фактическим распределением и распределением нескорректированных агрегированных прогнозов, мы можем вычислить расстояние Вассерштейна (первого порядка), которое измеряет минимальный объем работы для транспортировки одной единицы массы от

$$ W (\ mu, \ nu) = \ inf _ {\ pi \ in \ Pi (\ mu, \ nu)} \ int _ {\ mathbb {R} \ text {x} \ mathbb {R}} \ vert x -y \ верт \; d \ pi (x, y)% 0 $$

где — множество распределений вероятностей всех связей и.Чем больше, тем дальше два распределения и, следовательно, больше ошибка целевой поддержки из-за изменения масштаба. Например, как аннотировано на предыдущем рисунке, мы можем видеть, что расстояние Вассерштейна для переменной, вступившей в брак, больше, чем для переменной домохозяйств, что позволяет предположить для последней более точные прогнозы не только в отношении поддержки источника (см. Предыдущую таблицу), но также на целевой опоре.

Наконец, мы можем построить уменьшенные прогнозы, как показано на рисунке ниже для некоторых выбранных переменных переписи

Возвращаясь к нашему анализу электората США, учитывая уменьшенную перепись, мы можем применить результаты многомерного анализа для сравнения схожесть двух географических мест, как описано в предыдущем посте.На следующей карте показана оценка навыка сходства около Олбани (штат Нью-Йорк) по отношению к выбранному месту в сельской местности (обозначенному фиолетовой точкой): оценка положительна тогда и только тогда, когда элементарная ячейка более похожа на выбранное местоположение, чем средние векторные данные с оценкой навыка сходства 1, означающей идеальное соответствие.

Основываясь только на демографических и социально-экономических характеристиках населения США, мы обнаруживаем, что для выбранного местоположения все наиболее похожие сайты расположены в основном в малонаселенных районах, без явного включения местоположения в наш анализ.Точно так же, если мы вместо этого выберем городской район, характеризующийся более богатым и молодым населением, мы извлечем в основном только городские участки

Глядя на эти карты, становится ясно, что уменьшенные данные на основе модели могут уловить пространственную кластеризацию и неоднородность, что важно для лучшего понимания электорального поведения и планирования политических кампаний.

С другой стороны, эти мелкомасштабные местные идеи теряются, когда мы применяем тот же анализ к фактическим данным, просто преобразованным для соответствия целевой поддержке путем распределения, пропорционального площади (интерполяция площади) в качестве простой стратегии вменения.Это можно увидеть, когда мы сравним следующие карты с картами, показанными выше

. Очевидно, что различия, которые мы видим между двумя выбранными местоположениями, отражают не только географические различия, но и расхождение между сельской и городской экономикой. И, используя уменьшенные данные на основе модели, мы можем впервые зафиксировать это разделение в очень мелком масштабе. За счет установки рекламных щитов для проведения опросов по домам местные оценки демографических и социально-экономических характеристик населения могут помочь лучше ориентироваться на соответствующие домохозяйства и оптимизировать бюджет, повысить явку и эффективно преобразовать голоса в места.

Узнайте больше о потоках данных о местоположении CARTO сегодня и свяжитесь с нашей командой, если мы сможем помочь вам расширить ваши представления с помощью статистических моделей масштабирования CARTO.

Об авторе

Изменение масштаба, изменение размера и уменьшение — skimage v0.19.0.dev0 docs

Примечание

Нажмите здесь чтобы загрузить полный пример кода или запустить этот пример в своем браузере через Binder

Операция Rescale изменяет размер изображения на заданный коэффициент масштабирования.Масштабирование Фактор может быть либо одним значением с плавающей запятой, либо несколькими значениями — одним по каждой оси.

Resize служит той же цели, но позволяет указать форму выходного изображения вместо коэффициента масштабирования.

Обратите внимание, что при понижении частоты дискретизации изображения изменение размера и изменение масштаба должны выполняться Сглаживание по Гауссу для предотвращения артефактов наложения спектров. См. anti_aliasing и anti_aliasing_sigma аргументы этих функций.

Downscale служит для понижающей дискретизации n-мерного изображения с помощью целочисленные факторы, использующие локальное среднее значение по элементам каждого блока размера факторы, заданные в качестве параметра функции.

 импортировать matplotlib.pyplot как plt

из данных импорта изображения, цвет
from skimage.transform import rescale, resize, downscale_local_mean

изображение = color.rgb2gray (data.astronaut ())

image_rescaled = масштабировать (изображение, 0,25, anti_aliasing = False)
image_resized = resize (изображение, (изображение.shape [0] // 4, image.shape [1] // 4),
                       anti_aliasing = Истина)
image_downscaled = downscale_local_mean (изображение, (4, 3))

fig, axes = plt.subplots (nrows = 2, ncols = 2)

топор = axes.ravel ()

ax [0] .imshow (изображение, cmap = 'серый')
ax [0] .set_title ("Исходное изображение")

ax [1] .imshow (image_rescaled, cmap = 'серый')
ax [1] .set_title ("Масштаб изображения с измененным масштабом (сглаживание)")

ax [2] .imshow (image_resized, cmap = 'серый')
ax [2] .set_title ("Размер изображения изменен (без алиасинга)")

ax [3] .imshow (image_downscaled, cmap = 'серый')
ax [3] .set_title («Уменьшенное изображение (без алиасинга)»)

топор [0]. set_xlim (0, 512)
ax [0] .set_ylim (512, 0)
plt.tight_layout ()
plt.show ()
 

Общее время работы скрипта: (0 минут 0,526 секунды)

Галерея создана Sphinx-Gallery

downscale — определение и значение