ছবি ও ভিডিওর জন্য রিয়েল-টাইম এফেক্ট

Mat Scales
X

আজকের দিনে অনেক জনপ্রিয় অ্যাপ আপনাকে ছবি বা ভিডিওতে ফিল্টার ও এফেক্ট প্রয়োগ করতে দেয়। এই নিবন্ধে ওপেন ওয়েবে এইসব ফিচার কীভাবে প্রয়োগ করতে হয় তা দেখানো হয়েছে।

ভিডিও এবং ছবির ক্ষেত্রে প্রসেসটি মূলত একই, তবে আমি শেষে ভিডিওর ক্ষেত্রে কিছু গুরুত্বপূর্ণ বিবেচনা কভার করব। এই নিবন্ধে 'ছবি' বলতে 'ছবি বা ভিডিওর একটি ফ্রেম' বোঝানো হয়েছে

কোনও ছবির পিক্সেল ডেটা কীভাবে পাওয়া যায়

ছবি ম্যানিপুলেশনের ৩টি সাধারণ বিভাগ আছে:

  • কন্ট্রাস্ট, ব্রাইটনেস, ওয়ার্মথ, সেপিয়া টোন, স্যাচুরেশনের মতো Pixel এফেক্ট।
  • মাল্টি-পিক্সেল এফেক্ট, যাকে কনভোলিউশন ফিল্টার বলা হয়, যেমন শার্পেনিং, এজ ডিটেকশন, ব্লার।
  • ক্রপিং, স্কিউয়িং, স্ট্রেচিং, লেন্স এফেক্ট, রিপলের মতো সম্পূর্ণ ছবি বিকৃত করা।

এইসব ক্ষেত্রে সোর্স ছবির আসল পিক্সেল ডেটা নিয়ে কাজ করতে হয় এবং তারপর সেটি থেকে নতুন ছবি তৈরি করতে হয়। এই কাজ করার একমাত্র ইন্টারফেস হল ক্যানভাস।

The really important choice, then, is whether to do the processing on the CPU, with a 2D canvas, or on the GPU, with WebGL.

আসুন, দুটি পদ্ধতির মধ্যে পার্থক্যগুলি এক নজরে দেখে নেওয়া যাক।

2D ক্যানভাস

দুটি বিকল্পের মধ্যে এটিই সবচেয়ে সহজ। প্রথমে ক্যানভাসে ছবি আঁকুন।

const source = document.getElementById('source-image');

// Create the canvas and get a context
const canvas = document.createElement('canvas');
const context = canvas.getContext('2d');

// Set the canvas to be the same size as the original image
canvas.width = source.naturalWidth;
canvas.height = source.naturalHeight;

// Draw the image onto the top-left corner of the canvas
context.drawImage(theOriginalImage, 0, 0);

তারপর আপনি পুরো ক্যানভাসের জন্য পিক্সেল ভ্যালুর একটি অ্যারে পাবেন।

const imageData = context.getImageData(0, 0, canvas.width, canvas.height);
const pixels = imageData.data;

এই মুহূর্তে pixels ভেরিয়েবলটি হল width * height * 4 দৈর্ঘ্যের একটি Uint8ClampedArray। অ্যারের প্রতিটি এলিমেন্ট হল এক বাইট এবং অ্যারের প্রতি চারটি এলিমেন্ট একটি পিক্সেলের রঙকে প্রতিনিধিত্ব করে। চারটি উপাদানের প্রতিটি লাল, সবুজ, নীল এবং আলফা (স্বচ্ছতা) এর পরিমাণকে সেই ক্রমে উপস্থাপন করে। পিক্সেলগুলি উপরে-বাঁদিকের কোণ থেকে শুরু করে বাঁদিক থেকে ডানদিকে এবং উপর থেকে নিচে ক্রম অনুসারে সাজানো থাকে।

pixels[0] = red value for pixel 0
pixels[1] = green value for pixel 0
pixels[2] = blue value for pixel 0
pixels[3] = alpha value for pixel 0
pixels[4] = red value for pixel 1
pixels[5] = green value for pixel 1
pixels[6] = blue value for pixel 1
pixels[7] = alpha value for pixel 1
pixels[8] = red value for pixel 2
pixels[9] = green value for pixel 2
pixels[10] = blue value for pixel 2
pixels[11] = alpha value for pixel 2
pixels[12] = red value for pixel 3
...

কোনও পিক্সেলের স্থানাঙ্ক থেকে তার ইন্ডেক্স খুঁজে পেতে একটি সহজ সূত্র আছে।

const index = (x + y * imageWidth) * 4;
const red = pixels[index];
const green = pixels[index + 1];
const blue = pixels[index + 2];
const alpha = pixels[index + 3];

আপনি এখন এই ডেটা যেভাবে চান সেভাবে পড়তে এবং লিখতে পারবেন, যা আপনাকে যেকোনও এফেক্ট প্রয়োগ করতে দেয়। তবে, এই অ্যারেটি ক্যানভাসের জন্য আসল পিক্সেল ডেটার একটি কপি। এডিট করা ভার্সনটি আবার লিখতে, আপনাকে putImageData পদ্ধতি ব্যবহার করে ক্যানভাসের উপরে বাঁদিকের কোণে এটি আবার লিখতে হবে

context.putImageData(imageData, 0, 0);

WebGL

WebGL একটি বড় বিষয়, অবশ্যই একটি নিবন্ধে এর সম্পূর্ণ বিবরণ দেওয়া সম্ভব নয়। WebGL সম্পর্কে আরও জানতে চাইলে, এই নিবন্ধের শেষে সাজেস্ট করা রিডিং চেক করুন।

তবে, একটি ছবি ম্যানিপুলেট করার ক্ষেত্রে কী করতে হবে তার একটি খুব সংক্ষিপ্ত ভূমিকা এখানে দেওয়া হল।

WebGL সম্পর্কে মনে রাখার মতো সবচেয়ে গুরুত্বপূর্ণ বিষয়গুলির মধ্যে একটি হল, এটি কোনও 3D গ্রাফিক্স API নয়। আসলে, WebGL (এবং OpenGL) ঠিক একটি জিনিসই ভালো করতে পারে - ত্রিভুজ আঁকা। আপনার অ্যাপ্লিকেশনে, আপনি আসলে কী আঁকতে চান তা ত্রিভুজের পরিপ্রেক্ষিতে বর্ণনা করতে হবে। 2D ছবির ক্ষেত্রে, এটি খুবই সহজ, কারণ একটি আয়তক্ষেত্র হল দুটি একই ধরনের সমকোণী ত্রিভুজ, যা এমনভাবে সাজানো হয়েছে যাতে তাদের অতিভুজ একই জায়গায় থাকে।

প্রাথমিক প্রসেস হল:

  • GPU-তে ডেটা পাঠান যা ত্রিভুজের ভার্টিসেস (পয়েন্ট) বর্ণনা করে।
  • আপনার সোর্স ইমেজ GPU-তে টেক্সচার (ইমেজ) হিসেবে পাঠান।
  • 'ভার্টেক্স শেডার' তৈরি করুন।
  • 'ফ্র্যাগমেন্ট শেডার' তৈরি করুন।
  • 'ইউনিফর্ম' নামে পরিচিত কিছু শেডার ভেরিয়েবল সেট করুন।
  • শেডার রান করুন।

আসুন বিস্তারিতভাবে জেনে নেওয়া যাক। গ্রাফিক্স কার্ডে ভার্টেক্স বাফার নামক কিছু মেমরি বরাদ্দ করে শুরু করুন। আপনি এতে ডেটা স্টোর করেন যা প্রতিটি ত্রিভুজের প্রতিটি পয়েন্ট বর্ণনা করে। এছাড়াও, আপনি কিছু ভেরিয়েবল সেট করতে পারেন, যেগুলিকে ইউনিফর্ম বলা হয়, যা দুটি শেডারের মাধ্যমে গ্লোবাল ভ্যালু হিসেবে কাজ করে।

ভার্টেক্স বাফার থেকে ডেটা ব্যবহার করে ভার্টেক্স শেডার হিসেব করে যে স্ক্রিনের কোথায় প্রতিটি ত্রিভুজের তিনটি পয়েন্ট আঁকতে হবে।

এখন GPU জানে যে ক্যানভাসের মধ্যে কোন পিক্সেল আঁকতে হবে। ফ্র্যাগমেন্ট শেডারকে প্রতিটি পিক্সেলের জন্য একবার কল করা হয় এবং স্ক্রিনে যে রঙ দেখানো হবে তা ফেরত দিতে হয়। ফ্র্যাগমেন্ট শেডার রঙ নির্ধারণ করার জন্য এক বা একাধিক টেক্সচার থেকে তথ্য পড়তে পারে।

ফ্র্যাগমেন্ট শেডারে টেক্সচার পড়ার সময়, আপনি ছবির কোন অংশ পড়তে চান তা উল্লেখ করেন। এর জন্য ০ (বাঁদিকে বা নিচে) এবং ১ (ডানদিকে বা উপরে) এর মধ্যে দুটি ফ্লোটিং-পয়েন্ট কোঅর্ডিনেট ব্যবহার করা হয়।

আপনি যদি পিক্সেল কোঅর্ডিনেটের উপর ভিত্তি করে টেক্সচার পড়তে চান, তাহলে আপনাকে পিক্সেল হিসেবে টেক্সচারের সাইজ ইউনিফর্ম ভেক্টর হিসেবে পাস করতে হবে যাতে আপনি প্রতিটি পিক্সেলের জন্য কনভার্ট করতে পারেন।

varying vec2 pixelCoords;

uniform vec2 textureSize;
uniform sampler2D textureSampler;

main() {
  vec2 textureCoords = pixelCoords / textureSize;
  vec4 textureColor = texture2D(textureSampler, textureCoords);
  gl_FragColor = textureColor;
 }
Pretty much every kind of 2D image manipulation that you might want to do can be done in the
fragment shader, and all of the other WebGL parts can be abstracted away. You can see [the
abstraction layer](https://github.com/GoogleChromeLabs/snapshot/blob/master/src/filters/image-shader.ts) (in
TypeScript) that is being in used in one of our sample applications if you'd like to see an example.

### Which should I use?

For pretty much any professional quality image manipulation, you should use WebGL. There is no
getting away from the fact that this kind of work is the whole reason GPUs were invented. You can
process images an order of magnitude faster on the GPU, which is essential for any real-time
effects.

The way that graphics cards work means that every pixel can be calculated in it's own thread. Even
if you parallelize your code CPU-based code with `Worker`s, your GPU may have 100s of times as many
specialized cores as your CPU has general cores.

2D canvas is much simpler, so is great for prototyping and may be fine for one-off transformations.
However, there are plenty of abstractions around for WebGL that mean you can get the performance
boost without needing to learn the details.

Examples in this article are mostly for 2D canvas to make explanations easier, but the principles
should translate pretty easily to fragment shader code.

## Effect types

### Pixel effects

This is the simplest category to both understand and implement. All of these transformations take
the color value of a single pixel and pass it into a function that returns another color value.

There are many variations on these operations that are more or less complicated. Some will take into
account how the human brain processes visual information based on decades of research, and some will
be dead simple ideas that give an effect that's mostly reasonable.

For example, a brightness control can be implemented by simply taking the red, green and blue values
of the pixel and multiplying them by a brightness value. A brightness of 0 will make the image
entirely black. A value of 1 will leave the image unchanged. A value greater than 1 will make it
brighter.

For 2D canvas:

```js
const brightness = 1.1; // Make the image 10% brighter
for (let i = 0; i < imageData.data.length; i += 4) {
  imageData.data[i] = imageData.data[i] * brightness;
  imageData.data[i + 1] = imageData.data[i + 1] * brightness;
  imageData.data[i + 2] = imageData.data[i + 2] * brightness;
}

মনে রাখবেন যে লুপটি একবারে ৪ বাইট করে এগোয়, কিন্তু শুধুমাত্র তিনটি ভ্যালু পরিবর্তন করে - এর কারণ হল এই নির্দিষ্ট ট্রান্সফর্মেশন আলফা ভ্যালু পরিবর্তন করে না। এছাড়াও মনে রাখবেন যে, Uint8ClampedArray সব ভ্যালুকে পূর্ণসংখ্যায় রাউন্ড অফ করবে এবং ভ্যালুকে ০ থেকে ২৫৫-এর মধ্যে ক্ল্যাম্প করবে।

WebGL ফ্র্যাগমেন্ট শেডার:

    float brightness = 1.1;
    gl_FragColor = textureColor;
    gl_FragColor.rgb *= brightness;

একইভাবে, এই নির্দিষ্ট ট্রান্সফর্মেশনের জন্য আউটপুট রঙের শুধুমাত্র RGB অংশটি গুণ করা হয়।

এইসব ফিল্টারের মধ্যে কিছু ফিল্টার অতিরিক্ত তথ্য নেয়, যেমন পুরো ছবির গড় লুমিন্যান্স, তবে এগুলি এমন জিনিস যা পুরো ছবির জন্য একবার গণনা করা যেতে পারে।

কনট্রাস্ট পরিবর্তন করার একটি উপায় হল, প্রতিটি পিক্সেলকে কোনও 'গ্রে' ভ্যালুর দিকে বা তার থেকে দূরে সরিয়ে নিয়ে যাওয়া, যাতে যথাক্রমে কম বা বেশি কনট্রাস্ট পাওয়া যায়। ধূসর রঙের মান সাধারণত এমন একটি ধূসর রঙ হিসেবে বেছে নেওয়া হয় যার উজ্জ্বলতা ছবির সমস্ত পিক্সেলের গড় উজ্জ্বলতার সমান।

ছবি লোড হওয়ার পরে আপনি একবার এই ভ্যালু গণনা করতে পারবেন এবং তারপরে যখনই আপনাকে ছবির এফেক্ট অ্যাডজাস্ট করতে হবে, তখনই এটি ব্যবহার করতে পারবেন।

মাল্টি-পিক্সেল

বর্তমান পিক্সেলের রঙ নির্ধারণ করার সময় কিছু এফেক্ট আশেপাশের পিক্সেলের রঙ ব্যবহার করে।

এটি 2D ক্যানভাস কেসে আপনি যেভাবে কাজ করেন তা কিছুটা পরিবর্তন করে কারণ আপনি ছবির আসল রঙ পড়তে চান এবং আগের উদাহরণটি পিক্সেল আপডেট করছিল।

তবে, এটি যথেষ্ট সহজ। আপনি প্রাথমিকভাবে আপনার ইমেজ ডেটা অবজেক্ট তৈরি করার সময় ডেটার একটি কপি তৈরি করতে পারবেন।

const originalPixels = new Uint8Array(imageData.data);

WebGL-এর ক্ষেত্রে আপনাকে কোনও পরিবর্তন করতে হবে না, কারণ শেডার ইনপুট টেক্সচারে লেখে না।

মাল্টি-পিক্সেল এফেক্টের সবচেয়ে সাধারণ বিভাগকে কনভোলিউশন ফিল্টার বলা হয়। কনভোলিউশন ফিল্টার ইনপুট ছবির প্রতিটি পিক্সেলের রঙ হিসেব করতে ইনপুট ছবির একাধিক পিক্সেল ব্যবহার করে। আউটপুটের উপর প্রতিটি ইনপুট পিক্সেলের প্রভাবের লেভেলকে ওয়েট বলা হয়।

ওয়েটকে ম্যাট্রিক্সের মাধ্যমে দেখানো যেতে পারে, যাকে কার্নেল বলা হয়, যার কেন্দ্রীয় ভ্যালু বর্তমান পিক্সেলের সাথে সম্পর্কিত। যেমন, এটি হল 3x3 গাউসিয়ান ব্লারের কার্নেল।

    | 0  1  0 |
    | 1  4  1 |
    | 0  1  0 |

ধরা যাক, আপনি (২৩, ১৯) পিক্সেলের আউটপুট কালার হিসেব করতে চান। (২৩, ১৯) পিক্সেলের চারপাশে থাকা ৮টি পিক্সেল এবং সেই পিক্সেলটি নিন এবং প্রতিটি পিক্সেলের রঙের মানকে সংশ্লিষ্ট ওয়েট দিয়ে গুণ করুন।

    (22, 18) x 0    (23, 18) x 1    (24, 18) x 0
    (22, 19) x 1    (23, 19) x 4    (24, 19) x 1
    (22, 20) x 0    (23, 20) x 1    (24, 20) x 0

সবকটি যোগ করে যোগফলকে ৮ দিয়ে ভাগ করুন, এটি হল ইনপুট ভ্যালুর যোগফল। আপনি দেখতে পাবেন যে ফলাফলটি এমন একটি পিক্সেল হবে যা বেশিরভাগই আসল, তবে কাছাকাছি পিক্সেলগুলি এতে মিশে যাবে।

const kernel = [
  [0, 1, 0],
  [1, 4, 1],
  [0, 1, 0],
];

for (let y = 0; y < imageHeight; y++) {
  for (let x = 0; x < imageWidth; x++) {
    let redTotal = 0;
    let greenTotal = 0;
    let blueTotal = 0;
    let weightTotal = 0;
    for (let i = -1; i <= 1; i++) {
      for (let j = -1; j <= 1; j++) {
        // Filter out pixels that are off the edge of the image
        if (
          x + i > 0 &&
          x + i < imageWidth &&
          y + j > 0 &&
          y + j < imageHeight
        ) {
          const index = (x + i + (y + j) * imageWidth) * 4;
          const weight = kernel[i + 1][j + 1];
          redTotal += weight * originalPixels[index];
          greenTotal += weight * originalPixels[index + 1];
          blueTotal += weight * originalPixels[index + 2];
          weightTotal += weight;
        }
      }
    }

    const outputIndex = (x + y * imageWidth) * 4;
    imageData.data[outputIndex] = redTotal / weightTotal;
    imageData.data[outputIndex + 1] = greenTotal / weightTotal;
    imageData.data[outputIndex + 2] = blueTotal / weightTotal;
  }
}

এটি থেকে প্রাথমিক ধারণা পাওয়া যায়, তবে এমন গাইড আছে যা আরও অনেক বেশি বিবরণ দেবে এবং আরও অনেক উপযোগী কার্নেলের তালিকা দেখাবে।

সম্পূর্ণ ছবি

কিছু সম্পূর্ণ ছবি ট্রান্সফর্মেশন সহজ। 2D ক্যানভাসে, ক্রপ ও স্কেল করা হল ক্যানভাসে সোর্স ইমেজের শুধুমাত্র ড্রয়িং পার্ট।

// Set the canvas to be a little smaller than the original image
canvas.width = source.naturalWidth - 100;
canvas.height = source.naturalHeight - 100;

// Draw only part of the image onto the canvas
const sx = 50; // The left-most part of the source image to copy
const sy = 50; // The top-most part of the source image to copy
const sw = source.naturalWidth - 100; // How wide the rectangle to copy is
const sh = source.naturalHeight - 100; // How tall the rectangle to copy is

const dx = 0; // The left-most part of the canvas to draw over
const dy = 0; // The top-most part of the canvas to draw over
const dw = canvas.width; // How wide the rectangle to draw over is
const dh = canvas.height; // How tall the rectangle to draw over is

context.drawImage(theOriginalImage, sx, sy, sw, sh, dx, dy, dw, dh);

ঘোরানো এবং প্রতিফলন সরাসরি 2D প্রসঙ্গে উপলভ্য। ক্যানভাসে ছবি আঁকার আগে, বিভিন্ন ট্রান্সফর্ম পরিবর্তন করুন।

// Move the canvas so that the center of the canvas is on the Y-axis
context.translate(-canvas.width / 2, 0);

// An X scale of -1 reflects the canvas in the Y-axis
context.scale(-1, 1);

// Rotate the canvas by 90°
context.rotate(Math.PI / 2);

তবে আরও শক্তিশালীভাবে, অনেক 2D ট্রান্সফর্মেশন 2x3 ম্যাট্রিক্স হিসেবে লেখা যেতে পারে এবং setTransform()-এর মাধ্যমে ক্যানভাসে প্রয়োগ করা যেতে পারে। এই উদাহরণে এমন একটি ম্যাট্রিক্স ব্যবহার করা হয়েছে যা রোটেশন ও ট্রান্সলেশনকে একত্রিত করে।

const matrix = [
  Math.cos(rot) * x1,
  -Math.sin(rot) * x2,
  tx,
  Math.sin(rot) * y1,
  Math.cos(rot) * y2,
  ty,
];

context.setTransform(
  matrix[0],
  matrix[1],
  matrix[2],
  matrix[3],
  matrix[4],
  matrix[5],
);

লেন্স ডিস্টরশন বা রিপলের মতো আরও জটিল এফেক্টের ক্ষেত্রে সোর্স পিক্সেল কোঅর্ডিনেট গণনা করার জন্য প্রতিটি ডেস্টিনেশন কোঅর্ডিনেটে কিছু অফসেট প্রয়োগ করতে হয়। যেমন, অনুভূমিক তরঙ্গ এফেক্ট পেতে, আপনি y কোঅর্ডিনেটের উপর ভিত্তি করে কিছু মান দ্বারা সোর্স পিক্সেল x কোঅর্ডিনেট অফসেট করতে পারেন।

for (let y = 0; y < canvas.height; y++) {
  const xOffset = 20 * Math.sin((y * Math.PI) / 20);
  for (let x = 0; x < canvas.width; x++) {
    // Clamp the source x between 0 and width
    const sx = Math.min(Math.max(0, x + xOffset), canvas.width);

    const destIndex = (y * canvas.width + x) * 4;
    const sourceIndex = (y * canvas.width + sx) * 4;

    imageData.data[destIndex] = originalPixels.data[sourceIndex];
    imageData.data[destIndex + 1] = originalPixels.data[sourceIndex + 1];
    imageData.data[destIndex + 2] = originalPixels.data[sourceIndex + 2];
  }
}

ভিডিও

আপনি সোর্স ইমেজ হিসেবে video এলিমেন্ট ব্যবহার করলে, নিবন্ধের বাকি সবকিছু ভিডিওর জন্য আগে থেকেই কাজ করে।

Canvas 2D:

context.drawImage(<strong>video</strong>, 0, 0);

WebGL:

gl.texImage2D(
  gl.TEXTURE_2D,
  0,
  gl.RGBA,
  gl.RGBA,
  gl.UNSIGNED_BYTE,
  <strong>video</strong>,
);

তবে, এটি শুধুমাত্র বর্তমান ভিডিও ফ্রেম ব্যবহার করবে। তাই, আপনি যদি কোনও ভিডিওতে এফেক্ট প্রয়োগ করতে চান, তাহলে আপনাকে প্রতিটি ফ্রেমে drawImage/texImage2D ব্যবহার করতে হবে যাতে নতুন ভিডিও ফ্রেম নেওয়া যায় এবং প্রতিটি ব্রাউজার অ্যানিমেশন ফ্রেমে তা প্রসেস করা যায়।

const draw = () => {
  requestAnimationFrame(draw);

  context.drawImage(video, 0, 0);

  // ...image processing goes here
};

ভিডিও নিয়ে কাজ করার সময় প্রসেসিং দ্রুত হওয়াটা বিশেষভাবে গুরুত্বপূর্ণ হয়ে ওঠে। স্টিল ইমেজের ক্ষেত্রে, কোনও বোতামে ক্লিক করা এবং কোনও এফেক্ট প্রয়োগ করার মধ্যে ১০০ মিলিসেকেন্ডের বিলম্ব ব্যবহারকারী লক্ষ্য নাও করতে পারেন। তবে, অ্যানিমেট করা হলে, মাত্র ১৬ মিলিসেকেন্ডের বিলম্বের কারণে দৃশ্যমান ঝাঁকুনি হতে পারে।

মতামত