Hoe Convolution Kernels Kunst Werden
Van functie naar kunst
Toen ik voor het eerst over convolutie leerde, waren kernels puur functioneel — gereedschap voor hetvervagen, verscherpen en randdetectie. Een 3×3 matrix van getallen, mechanisch toegepast. Het kwam nooit bij me op dat dezelfde wiskunde ook kunst kon voortbrengen.
De doorbraak kwam toen ik stopte met kernels te zien als correcties en ze begon te behandelen als creatieve transformaties op willekeurige ruisvelden.
Bewerk de coëfficiënten en inspecteer één uitvoerpixel. Deze studie draait de matrix voor wiskundige convolutie; het Lab past hem direct toe. Draai asymmetrische kernels daarom 180° om de resultaten te vergelijken.
Probeer het zelf
- Wissel tussen Origineel, Vervagen, Verscherpen en Randen. Probeer ringen, het schaakbord en golven.
- Klik op een pixel of gebruik de pijltjestoetsen, bewerk een gewicht of de deler en volg hieronder de buurt, gedraaide gewichten en uitvoerhelderheid. Stap of animeer de scan om door het beeld te bewegen.
Let op: Vervagen deelt helderheid met de buren. Verscherpen versterkt plaatselijke verschillen. Een randkernel heft egale gebieden op: positieve reacties lichten op, negatieve worden zwart.
Kernels op ruis
Een Sobel-kernel, ontworpen om randen in foto’s te vinden, onthult richelstructuren in Perlin-ruis die eruitzien als bergketens van bovenaf. Een Laplaciaan, bedoeld voor contourdetectie, creëert elektrische halo’s rond ruisstructuren. Het wiskundige doel is irrelevant — het gaat om het visuele resultaat.
// The Sobel operator on a Perlin noise field
const sobelX = [[-1,0,1], [-2,0,2], [-1,0,1]];
const sobelY = [[-1,-2,-1], [0,0,0], [1,2,1]];
// Magnitude: √(Gx² + Gy²)
// Reveals directional structure hidden in noiseEen hogere frequentie maakt kleinere structuren. Houd het zaad gelijk om hun vorm te vergelijken.
De diagonale gewichten maken ribbels van kleine helderheidsverschillen, zodat de ruis reliëf lijkt te krijgen.
Σ(I × K) ÷ 1 + 0
Resultaat = I + 1.00 × (gefilterd − I)
Gemiddelde absolute pixelveranderingProbeer intensiteit 0: het resultaat wordt exact het origineel. Bij 1 zie je het volledige resultaat van de echte Lab-kernel. De matrix wordt direct toegepast, zoals in het Lab (correlatie), met herhaalde randpixels, RGB-kanalen en 8-bit-begrenzing vóór het mengen. Wiskundige convolutie zou de matrix 180° draaien.
Behoud hetzelfde Perlin-veld terwijl je reliëf, randen en vervaging vergelijkt. Alleen de gekozen kernel en zijn sterkte veranderen de uitvoer.
Probeer het zelf
- Houd het ruiszaad gelijk en vergelijk Reliëf, Sobel X en Gemiddelde vervaging.
- Zet Kernelintensiteit op 0 en daarna weer op 1. Verander Ruisfrequentie om fijnere en bredere structuren te vergelijken.
Let op: Bij intensiteit 0 is het resultaat exact gelijk aan de invoer. De kernelkeuze verandert de echte berekening met buurpixels; negatieve Sobel-uitkomsten worden zwart bij de Lab-preset.
Kernelpersoonlijkheid
Elke kernel heeft een persoonlijkheid. Gaussiaanse blur creëert zachte, dromerige velden. Laplaciaan-accenten produceren elektrische contouren. Emboss geeft vlakke ruis een sculpturale kwaliteit. En wanneer je ze koppelt — eerst blur, dan edge-detect, dan sharpen — ontstaan composities die onmogelijk te voorspellen zijn maar altijd structureel coherent blijven.
Een creatieve taal
Dit is de kern van veel van mijn kunst: het vocabulaire van beeldbewerking gebruiken als een creatieve taal en de wiskunde ons laten verrassen. Elk kunstwerk begint met ruis, en elke compositie ontstaat uit een specifieke reeks kerneltransformaties.
Gerelateerde concepten
Gerelateerde artikelen
Gerelateerde kunstwerken
Verken gerelateerde secties
Meer over het werk:
