المشروع
اختبر الأسود والأبيض والمساواة بالعتبة وارفض الأشكال غير المنتظمة والبكسلات غير البايتية أو المنطقية دون تغيير المدخل.
مساحة عمل برمجية بالذكاء الاصطناعي
تنقيط مرتب للتدرج الرمادي
طبق بلاطة عتبات متكررة اثنين في اثنين على بكسلات رمادية صحيحة في مصفوفات حتى 64 في 64.
● ● ●DitherMorrow●
سير العمل · تنقيط مرتب للتدرج الرمادي ×
def ordered_dither(pixels):
pixels = [tuple(row) for row in pixels]
width = len(pixels[0]) if pixels else 0
if len(pixels) > 64 or width > 64 or any(len(row) != width for row in pixels):
raise ValueError("image.shape")
if any(type(v) is not int or not 0 <= v <= 255 for row in pixels for v in row):
raise ValueError("pixel.byte")
thresholds = ((32, 160), (224, 96))
return [[value >= thresholds[r % 2][c % 2] for c, value in enumerate(row)]
for r, row in enumerate(pixels)]✳طبق بلاطة عتبات متكررة اثنين في اثنين على بكسلات رمادية صحيحة في مصفوفات حتى 64 في 64.
✓ التغييراتراجع قبل التطبيق ↗
رسم توضيحي لمساحة العمل
راجع قبل التطبيق
قارن السلوك الفعلي بالنتيجة المتوقعة. إذا فشل فحص، تحقّق من السبب قبل إجراء تغييرات إضافية.
النماذج
اضبط نقطة اتصال متوافقة مع OpenAI أو Anthropic باستخدام العنوان الأساسي ومفتاح API عند الحاجة. اختبر الاتصال. يجب أن يعمل خادم النموذج المحلي؛ وقد ترسل الأدوات البعيدة البيانات بشكل منفصل.
سير العمل
def ordered_dither(pixels):
pixels = [tuple(row) for row in pixels]
width = len(pixels[0]) if pixels else 0
if len(pixels) > 64 or width > 64 or any(len(row) != width for row in pixels):
raise ValueError("image.shape")
if any(type(v) is not int or not 0 <= v <= 255 for row in pixels for v in row):
raise ValueError("pixel.byte")
thresholds = ((32, 160), (224, 96))
return [[value >= thresholds[r % 2][c % 2] for c, value in enumerate(row)]
for r, row in enumerate(pixels)]اربط تعديل الصورة بأدلة بكسل قابلة لإعادة الإنتاج
DitherMorrow بيئة برمجة بالذكاء الاصطناعي على Windows لتطوير شيفرة معالجة الصور مع مدخلات ملموسة بجانب النقاش. افتح المشروع وحدد التغيير المرئي أو البياني المطلوب. اطلب فحص مسار المعالجة قبل اقتراح تعديلات، بما يشمل التنسيق المتوقع للشيفرة المتلقية للنتيجة.
دالة التنقيط المرتب للتدرج الرمادي مثال لطلب ممكن. قدم شبكة بكسلات صغيرة وصف سلوك العتبات المقصود. اطلب شرح تأثير مواضع الصفوف والأعمدة في النتيجة ثم راجع رقعة محددة. يتعلق النقاش بتنفيذ مشروعك؛ ولا يثبت وجود خدمة تحرير صور أو تسريع عتادي.
افحص التغييرات بتوقعات بكسل دقيقة وبالعرض الذي يستهلكها. قد تكون أبعاد النتيجة صحيحة مع وضع النمط عند أصل خاطئ. شغل الاختبارات المعنية بحالات فارغة وصغيرة وقيم حدودية، وقارن الصور الناتجة في ظروف عرض متسقة قبل الحكم على التعديل.
يمكنك اختيار نموذج بلا رقابة توفره نقطة نهاية مدعومة متوافقة مع OpenAI أو تابعة لـ Anthropic. قد تلزم بيانات اعتماد، وتظل قيود المزود سارية. يحدد النموذج والخادم دعم الأدوات وحدود السياق، لذا اختر حالات ممثلة بدلا من افتراض رؤية كل نموذج متصل لمسار الصور كاملا.
مراجعة رقعة لمعالجة الصور
لماذا أرفق شبكة بكسلات صغيرة بمثال مرئي؟
تتيح المدخلات الصغيرة الدقيقة فحص القيم التي تغيرت وسبب ذلك. قد تخفي صورة أكبر انزياح نمط العتبات. استخدم كليهما عند الحاجة: حالة للتوقعات الدقيقة وصورة للسلوك المرئي الناتج.
هل يثبت اسم النطاق دعم GPU؟
لا. المنتج الموصوف بيئة برمجة على Windows. يحتاج أي تنفيذ GPU في مشروعك إلى شيفرة وتبعيات وقياسات مناسبة. لا تستنتج التسريع من الاسم أو اقتراح النموذج عملا متوازيا.
ماذا أفحص عند العتبة نفسها؟
حدد هل تختار المساواة المخرج الأعلى أم الأدنى وأدرج القيمة نفسها في حالة اختبار. افحص القيم المجاورة أيضا. يكشف ذلك تغير المقارنة بدلا من الاعتماد على المظهر العام لصورة نموذجية.
أين أفحص مخرجات الصور التي تنتجها الأدوات؟
استخدم مخرجات المشروع الفعلية وتأكد من مكان المعالجة. يحتاج الاستدلال المحلي إلى خادم منفصل ولا يجعل كل أداة صور أو ملفات محلية. راجع اتصالات الأدوات قبل مشاركة مواد صور حساسة.
DitherMorrow · آخر تحديث 2026-10-25