Программа для определения шрифта: WhatTheFont — приложение для поиска шрифтов с картинок

Содержание

Как легко определять шрифты на Android

Есть несколько способов определить шрифты на Android, одним из лучших является Какой шрифт Расширение Chrome. Он позволяет обнаруживать любой шрифт в Интернете одним касанием. Но что делать, если вы наткнетесь на шрифт на своем телефоне? Не волнуйся, есть выход. Вот как легко идентифицировать шрифты на Android.

Прочтите, как записывать звук в Chrome на ПК и Mac

Как легко определять шрифты на Android?

Для Android мы собираемся использовать приложение под названием Найди мой шрифт. У приложения очень простой пользовательский интерфейс, однако оно способно точно определять шрифты за время, которое я его тестировал. Итак, посмотрим, как это делается.

Программы для Windows, мобильные приложения, игры — ВСЁ БЕСПЛАТНО, в нашем закрытом телеграмм канале — Подписывайтесь:)

Во-первых, вы собираетесь открыть Google Play Store и выполнить поиск Find my Font в верхней строке поиска. Теперь выберите приложение, как показано ниже, или вы можете открыть эта ссылка если вы на телефоне, чтобы открыть его напрямую. Затем нажмите «Установить», чтобы загрузить и установить автоматически.

Когда вы закончите, откройте приложение, чтобы вы могли ознакомиться с пользовательским интерфейсом. Приложение имеет очень простой интерфейс и два способа определения шрифтов на телефоне. Первый способ — использовать переднюю камеру для поиска шрифтов вокруг вас. Вы можете использовать его для журнала, любимой книги и других вещей, которые имеют любой текст.

Второй — использовать снимок экрана для определения шрифта, который мы собираемся использовать. Этот метод позволяет вам определять шрифты на любом веб-сайте, в приложении или даже в играх на вашем телефоне.

Для этого метода нажмите на значок галереи, как показано на рисунке ниже, на главной странице приложения. Затем просмотрите свою галерею и откройте снимок экрана, который хотите идентифицировать.

Вы получите прямоугольное наложение с выравниванием текста. Переместите / поверните телефон и попытайтесь уместить текст на этом оверлее (прямоугольное выделение). Когда вы закончите, нажмите на буквы (синие) и выберите самый четкий текст (я обычно выбираю все для лучшего предсказания). После того, как вы сделаете выбор, вы сможете увидеть его в верхнем белом поле с максимальным выбором семи слов. Нажмите на стрелку вправо, чтобы узнать больше.

У вас также есть набор дополнительных инструментов выделения, таких как изменение фона выделения, поворот, настройка области выделения, рисование выделения, если текст разбросан, и т. Д.

Это последний шаг, на котором вы найдете результаты соответствия шрифту. Но перед этим вам также необходимо ввести текст, который вы хотите сопоставить (так же, как выделение), предварительный просмотр текста (текст, который вы хотите просмотреть с тем же шрифтом) и фильтр поиска, который вы должны оставить как есть.

Первый метод использует вашу камеру, которая также доступна с домашней страницы и использует тот же процесс.

Как только вы введете данные, вы автоматически получите несколько шрифтов, соответствующих стилю.

В данном случае это Джек Фрост. Приложение также показывает точность вашей идентификации и тип шрифта. Кроме того, вы также можете щелкнуть значок (i), чтобы загрузить шрифт для своего устройства, если он доступен бесплатно.

Особенности

База шрифтов 150K
30 бесплатных прогнозов
2 Бесплатный запрос. каждые 48 часов
Безлимитные запросы за 9 долларов

Получить Найди мой шрифт

Заключительные замечания

Вот как вы можете легко идентифицировать шрифты на Android. Это отличное приложение, очень точное. Если вы графический дизайнер, иллюстратор, выберите премиум-версию, которая пригодится с неограниченными предсказаниями. Кроме того, если определение шрифтов не является частью вашего профиля работы, бесплатной версии будет более чем достаточно.

Также прочтите, как отслеживать цену продукта для Amazon Mobile

Как легко распознавать шрифты на Android

Есть несколько способов определить Тип шрифта в браузере, и лучший из них — надстройка Какой шрифт для Chrome. Это позволяет одним щелчком мыши находить любой шрифт в Интернете. Но что делать, если во время использования телефона вы найдете шрифт, который вам нравится? Не волнуйтесь, есть способ спасти вас. Вот как легко определять шрифты на Android.

Как легко распознавать шрифты на Android?

Для Android мы будем использовать приложение под названием Найди мой шрифт. Приложение имеет очень простой пользовательский интерфейс, однако за то время, когда я его тестировал, оно смогло точно определять шрифты. Итак, посмотрим, как это делается.

Сначала вы откроете Google Play Store и выполните поиск Find my Font, используя верхнюю панель поиска. Теперь выберите приложение, как показано ниже, или вы можете открыть эта ссылка Если вы используете свой телефон, чтобы разблокировать его напрямую. Затем нажмите Установка чтобы загрузить и установить его автоматически.

После этого откройте приложение, чтобы ознакомиться с пользовательским интерфейсом. Приложение имеет очень простой пользовательский интерфейс и два способа распознавания шрифтов с помощью телефона. Первый способ — использовать переднюю камеру, чтобы найти линии вокруг вас. Вы можете использовать его для своего журнала, любимой книги и других вещей с любым типом текста.

Второй — использовать снимок экрана, чтобы определить, какой шрифт используется. Этот метод позволяет вам выбирать шрифты на любом веб-сайте, в приложении или даже в играх на вашем телефоне.

Чтобы использовать этот метод, щелкните значок галереи, как показано на изображении ниже, на главной странице приложения. Затем просмотрите свою галерею и откройте снимок экрана, на котором вы хотите выбрать тип отображаемого шрифта.

Вы получите прямоугольное наложение выравнивания текста. Переместите / поверните телефон и попробуйте уместить текст на этом оверлее (выберите прямоугольник). Когда закончите, нажмите на буквы (синие) и выберите наиболее заметный текст (я обычно выбираю все для лучшего результата). Сделав выбор, вы сможете увидеть его в верхнем белом поле, не более семи слов. Нажмите на стрелку вправо, чтобы узнать больше.

У вас также есть набор инструментов выделения, таких как изменение фона выделения, поворот, настройка области выделения, рисование выделения, если текст разбросан, и т. Д.

Это последний шаг, на котором вы найдете результаты, соответствующие строке. Но перед этим вам также необходимо ввести текст, который вы хотите сопоставить (например, выделение), текст предварительного просмотра (текст, который вы хотите просмотреть с тем же шрифтом) и фильтр поиска, который вы должны оставить как есть.

Первый метод использует вашу собственную камеру, которая также доступна с домашней страницы и использует тот же процесс.

После ввода данных вы автоматически получите несколько шрифтов, соответствующих шаблону. В данном случае это строка Джек Фрост. Приложение также отображает точность совпадения и тип шрифта. Кроме того, вы также можете щелкнуть значок (i), чтобы загрузить шрифт на свое устройство, если он находится в свободном доступе.

Функции

База данных включает 150 тысяч строк.
30 бесплатных прогнозов.
2 бесплатных заказа. каждые 48 часов.
Безлимитные заказы за 9 долларов.

Получающий Найди мой шрифт

заключительные замечания

Вот как вы можете легко идентифицировать шрифты на Android. Это отличное и очень точное приложение. Если вы работаете графическим дизайнером или иллюстратором, выберите премиум-версию, которая пригодится с неограниченными прогнозами. Кроме того, если определение шрифтов не является частью вашего профиля работы, бесплатной версии будет более чем достаточно.

Источник

Распознавание шрифтов с помощью глубокого обучения | Джехад Мохамед | MLearning.ai

Сканируется каллиграфия А.

Это основано на DeepFont Paper, методе, созданном Adobe.Inc для обнаружения шрифта на изображениях с использованием глубокого обучения. Они опубликовали свою работу в виде документа для общественности, и реализованный код является производным от того же. В этом блоге обсуждаются необходимые шаги, а также дается обзор кода.

Ключевые точки DeepFont:

Он обучен на наборе данных AdobeVFR, который содержит 2383 Шрифт Категории!
Его CNN адаптирована к предметной области (Нажмите здесь, чтобы узнать больше)
Его обучение основано на сжатии модели

Прежде чем мы начнем — давайте начнем с того, какие библиотеки нам нужны.

  Из  Matplotlib.pyplot  Import  Imshow 
  Импорт  Matplotlib.cm  AS  CM 
  Импорт  MATPLOTLIB.PYLAB  AS  
  от  KERAS.PYLAB  AS  
  от  KERS.PLABS .0006  ImageDataGenerator 
   import   numpy   as   np 
   import   PIL 
   from   PIL   import   ImageFilter 
   import   cv2 
   import   itertools 
   import   random 
   import   keras 
   import   imutils 
  из  imutils  импорт  путей 
  импорт  os 
  из  keras  импорт  оптимизаторы 
  from   keras. preprocessing.image   import   img_to_array 
   from   sklearn.model_selection   import   train_test_split 
   from   keras.utils   import   to_categorical 
   from   keras   import   callbacks 
   from   keras.models  импорт  последовательный 
  из  keras.layers.normalization  импорт  BatchNormalization 
  из  keras.layers  Импорт  Плотный, выпадающий, выбросить 
  из  Keras.layers  Import  Conv2d, MaxPooling2d, Upsampling2d, Conv2dtranspose 
  с  Ceras  Import   .  Will Will Will Will Will Will Will in 
  Will Will Will Will Will Will in 
 . 
 Will Will Will Will in 
 . 
. манипулировать изображениями, давайте возьмем PIL (библиотеку изображений Python) и создадим функцию для чтения изображения из каталога и изменения размера по мере необходимости.  
   деф  pil_image(img_path): 
 пил_им  =  пил  .  Изображение  .  открыть (img_path)  .  convert('L') 
 pil_im  =  pil_im  .  resize((105,105)) 
  #imshow(np.asarray(pil_im))  
  return  pil_im 
 Теперь мы разобьем всю работу на 4 шага или этапа.
 Шаг 1: Набор данных 
 Поскольку ссылка на набор данных AdobeVFR имеет огромный размер и содержит множество категорий шрифтов, простой способ обойти это — создать собственный набор данных на основе необходимых исправлений шрифтов с помощью TextRecognitionDataGenerator github.
 Когда у вас есть набор образцов, вы готовы к работе!
 Шаг 2: Предварительная обработка данных 
 Шрифты не похожи на объекты, и для классификации их функций требуется огромная пространственная информация. Чтобы определить очень незначительное изменение характеристик, DeepFont использует определенные методы предварительной обработки, а именно:
 Шум
 Размытие
 Перспективное вращение
 Затенение (градиентное освещение)
 Переменный интервал между символами
 Переменное соотношение сторон
 Исходя из этого — у нас есть  функции  для каждого из шагов аугментации:
  def  Noise_image(pil_im): 
  # Добавление шума к изображению  
 img_array 0    ASARRAY (PIL_IM) 
 Среднее  =  0,0  # Некоторая постоянная  
 Std  =  5  # Некоторая постоянная (стандартное отклонение)  
 NOISY_IMG  =  IMG_ARRAY  +  NP .   случайное  .  нормальное (среднее, станд., img_array  .  форма) 
 noisy_img_clipped  =  np  .  клип(noisy_img, 0, 255) 
 шум_img  =  PIL  .  Изображение  .  fromarray(np  .  uint8(noisy_img_clipped)) 
 шум_изображения  =  шум_изображения  .  resize((105,105)) 
  return  Noise_img 
  def  blur_image(pil_im): 
  #Добавление размытия к изображению  
 blur_img  =  pil_im 3 .  filter(ImageFilter  .  GaussianBlur(радиус  =  3)) 
 blur_img  =  blur_img  .  resize((105,105)) 
  return  blur_img 
  def  affine_rotation(img): 
 строк, столбцов  =  img  .  shape  point1  =  np  .   float32([[10, 10], [30, 10], [10, 30]]) 
 point2  =  np  .  float32([[20, 15], [40, 10], [20, 40]]) 
  A  =  cv2  .  getAffineTransform(point1, point2) 
  вывод  =  cv2  .  warpAffine(img, A, (столбцы, строки)) 
 affine_img  =  PIL  .  Изображение  .  fromarray (np  .  uint8 (выход)) 
 affine_img  =  affine_img  .  изменить размер ((105,105)) 
  вернуть  affine_img 
  def  градиент_заполнить (изображение): 
 лапласиан  =  cv2  .  Лапласиан (изображение, cv2  .  CV_64F) 
 лапласиан  =  cv2  .  изменение размера (лапласиан, (105, 105)) 
  return  laplacian 
 
 Теперь, когда они готовы, мы можем подготовить набор данных.
 data_path  =  "font_patch/" #Ссылка на все созданные образцы случайный  .  семян(42) 
 случайных  .  shuffle(imagePaths)#Это были 5 шрифтов, взятых за образец  def  conv_label(label): 
  IF  Метка  ==  'LATO': 
  Возврат  0 
  ELIF  Метка  ==  'Raleway': 
  return  1 
  ELIF  Label  ==  'Roboto': 
7  ELIF   =  'Roboto' 
  ELIF  =  =  ': 
 70003 .  return  2 
  ELIF  Метка  ==  'Sansation': 
  return  3 
  ELIF  Метка  ==  'Проходная дорожка': 
  return  4augument  =  ["Blur" ","аффинный","градиент"] 
 a  =  itertools  .   комбинаций (дополнение, 4)   для  i  в  list(a): 
 print(list(i)) 
 
 Теперь, основываясь на a, мы перебираем изображения, используя только что сгенерированные комбинации, добавляя вывод данных и меток каждый раз.
 counter  =  0 
  для  imagePath  в  imagePaths: 
 label  =  imagePath  .  split(os  .  path  .  sep)[  -  2] 
 Метка  =  Conv_label (метка) 
 PIL_IMG  =  PIL_IMAGE (ImagePath) 
  #IMSHOW (PIL_IMG)    #Добавление оригинального изображения  
 org_img  =  IMG_TO_ARRAP )  
 данные  .  append(org_img) 
 ярлыков  .  добавление(метка) 
  дополнение  =  ["шум","размытие","аффинный","градиент"] 
  для  l  в диапазоне (0,len(дополнение)): 
  a  =  itertools  .   Комбинации (Augument, L  +  1) 
   для  I  в списке  (A): 
 Комбинации  =  Список (I) 
 Печать (LEN (Комбинации)) 
 TEMP_IMG  =  PIL_IMG 
 ) 
 TEMP_IMG  = 669 Для  J  в  Комбинациях: 
  , если  J  ==  'Noise': 
  # Добавление шума изображения  
 Temp_img  =  rower_image (temp_img) 
   ELIF  J .0003 ==  'Blur': 
  # Добавление изображения размытия  
 Temp_img  =  BLUR_IMAGE (TEMP_IMG) 
  #IMSHOW (BLUR_IMG)  
   ELIF  j  ==  'Affine Offine: 
77  ELIF  j  == ' Affine '
77  elif  j  == 9000' affine '
7  .  нп  .  Array (PIL_IMG) 
  # Добавление аффинного ротационного изображения  
 Temp_img  =  Affine_Rotation (OPEN_CV_AFFINE) 
   ELIF  J  ==  'GRADIENT': 
 OPEN_CV_GRADIent  =  Н. 0003 .  array(pil_img) 
  # Добавление градиентного изображения  добавить (temp_img) 
 меток  .  append(label) 
 
 Наш следующий шаг очень прост — мы разделяем данные, чтобы мы могли использовать 75% для обучения и оставшиеся 25% для тестирования. Затем мы конвертируем метки из целых чисел в векторы.
 данные  =  нп  .  asarray(data, dtype  =  "float") / 255.0 
 labels  =  np  .  array(метки) 
 print("Успех")  (trainX, testX, trainY, testY)  =  train_test_split(данные, 
 меток, test_size  =  0,25, random_state  =  42)trainY 
3 = 
3 trainY, num_classes  =  5) 
 testY  =  to_categorical(testY, num_classes  =  5)авг  =  ImageDataGenerator(rotation_range  =  30, width_shift_range  =  0. 1, height_shift_range  =  0,1, shear_range  =  0,2, Zoom_range  =  0,2, Horizontal_flip  = True ) 
 
. Классификация сети CNN, они следовали новой схеме, такой как две подсети,
  Низкоуровневая подсеть : извлечены из составного набора синтетических и реальных данных.
  Подсеть высокого уровня  : Изучает глубокий классификатор на низкоуровневых функциях. Для получения более подробной информации и пояснений прочитайте их документ
 Мы создаем модель, как указано в документе, и компилируем ее.
 K.set_image_data_format('channels_last')  def  create_model(): 
 модель  =  Sequential()   # Cu Layers  
 модель  .  добавить(Conv2D(64, размер ядра  =  (48, 48), активация  =  'relu', input_shape  =  (105,105,1))) 
 модель .   добавить(Пакетная нормализация()) 
 модель  .  добавить(MaxPooling2D(pool_size  =  (2, 2))) 
  модель  .  добавить(Conv2D(128, размер ядра  =  (24, 24), активация  =  'relu')) 
 модель  .  добавить(Пакетная нормализация()) 
 модель  .  добавить(MaxPooling2D(pool_size  =  (2, 2))) 
  модель  .  add(Conv2DTranspose(128, (24,24), шаги  =  (2,2), активация  =  'relu', заполнение  =  'такой же', kernel_initializer  =  'однородный')) 
 модель  .  добавить(UpSampling2D(размер  =  (2, 2))) 
  модель  .  add(Conv2DTranspose(64, (12,12), шаги  =  (2,2), активация  =  'relu', заполнение  =  'то же самое', kernel_initializer  =  'униформа')) 
 модель  .   add(UpSampling2D(size  =  (2, 2))) 
   #Cs Layers  
 модель  .  добавить(Conv2D(256, размер ядра  =  (12, 12), активация  =  'relu')) 
  модель  .  добавить(Conv2D(256, размер ядра  =  (12, 12), активация  =  'relu')) 
  модель  .  добавить(Conv2D(256, размер ядра  =  (12, 12), активация  =  'relu')) 
  модель  .  добавить(свести()) 
  модель  .  add(Dense(4096, активация  =  'relu')) 
  модель  .  добавить(Выпадение(0.5)) 
  модель  .  добавить(Dense(4096,активация  =  'relu')) 
  модель  .  добавить(Выпадение(0.5)) 
  модель  .  add(Dense(2383,активация  =  'relu')) 
  модель  .   add(Dense(5, активация  =  'softmax')) 
   return  model 
 batch_size = 128 
 epochs = 50 
 model= create_model() 
 sgd = tensorflow.keras.optimizers.0.SGD0(l. , распад = 1e-6, импульс = 0,9, нестеров = True) 
 model.compile (потеря = 'mean_squared_error', оптимизатор = sgd, metrics = ['точность']) Early_stopping  =  обратных вызовов  .  Раннее (Монитор  =  'val_loss', min_delta  =  0, терпение  =  10, Verbose  =  0, режим  =  'мин.) контрольная точка  =  обратных вызовов  .  ModelCheckpoint(путь к файлу, монитор  =  'val_loss', подробный  =  1, save_best_only  = True  , режим  =  'мин') 
  callbacks_list  = pping]0007 
 Теперь мы подогнали модель и проверили на потери и точность.
 модель  .  FIT (Trainx, Trainy, Shuffle  = True , 
 BATCH_SIZE  =  BATCH_SIZE, 
 EPOCHS  =  EPOCHS, 
 VERBOSE  =  1, 
 Validation_DATA  =  (TESTX, TELTY), 
 Validation_DATA  =  (testx, testy), callbacks  =  (testx, testy), callbacks  =  (testx, testy), callbacks  =  (testx, testy), callbacks wardation_data  =  (testx, testy). )счет  =  модель  .  оценить(testX, testY, verbose  =  0) 
 print('Потеря теста:', оценка[0]) 
 print('Точность теста:', оценка[1]) 
   Потеря теста: 0,1341324895620346  
   Точность теста: 0,6410256624221802  
 Шаг 4: рамка
 в качестве прототипа, мы используем KERAS.
  из  keras. models  импорт  load_model 
 модель  =  load_model('top_model.h5') 
 оценка  =  модель  .  оценить(testX, testY, verbose  =  0) 
 print('Потеря теста:', оценка[0]) 
 Печать («Точность теста:», оценка [1]) 
   Потеря теста: 0,12708203494548798  
   Точность теста: 0,5833333134651184  
 Теперь We Trake A We Trak To Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do Do DO результаты, достижения!
 img_path="sample/sample.jpg" 
 pil_im =PIL.Image.open(img_path).convert('L') 
 pil_im=blur_image(pil_im) 
 org_img = img_to_array(pil_im)  def  rev_conv_label(метка) : 
  если  метка  ==  0: 
  Возврат  'Lato' 
  ELIF  Метка  ==  1: 
  Возврат  'Raleway' 
  ELIF  Лейбл  ==  2: 
  return  '  ELIF  Метка  ==  3: 
  Возврат  'Sansation' 
  ELIF  Метка  ==  4: 
  Данные  'Walwway'data  =  [] 
 Data .   добавить (org_img) 
 данные  =  np  .  asarray(data, dtype  =  "float") / 255.0y = model.predict(data) 
 y = np.round(y).astype(int)label  =  rev_conv_label(y[0,0 ])) 
 рис, ax  =  plt  .  участков (1) 
 акселерометров  .  imshow(pil_im, интерполяция  =  'ближайший', cmap  =  см  .  серый) 
 ах  .  text(5, 5, label , bbox  =  {'facecolor': 'white', 'pad': 10}) 
 plt  .  show() 
 Вот и все, ребята! Распознавание шрифтов с помощью DeepFont.
 Mlearning.ai Предложения по представлению
 Как стать писателем на Mlearning.ai
 medium.com
 Как программное обеспечение для поиска шрифтов может повысить производительность магазина вывесок 
 9007  Продукты и процессы для получения прибыли Инструменты выпрямления, поворота и коррекции изображения встроены в программное обеспечение для более быстрого редактирования.
  (Все изображения предоставлены Чарити Джексон) В начале 90s, когда я начинал в индустрии вывесок, количество шрифтов, которые мы обычно выбирали для наших макетов, исчислялось десятками. В настоящее время мы имеем дело с тысячами возможных вариантов шрифтов, что затрудняет сопоставление существующих дизайнов, когда клиент не может предоставить иллюстрацию.
 Иногда у клиента есть логотип, который он может предоставить, но у него нет шрифтов, используемых в логотипе, и вам нужно набрать другой текст для его графики. В других случаях вам нужно воссоздать их логотип и нужны оригинальные шрифты. В любом случае вы должны быть в состоянии точно и быстро сопоставить их шрифты.
 Прокрутка списка шрифтов вручную в поисках подходящего шрифта не только отнимает много времени, но и может быть пустой тратой времени, если у вас даже не установлен шрифт на вашем компьютере. В таких случаях пригодится программное обеспечение для поиска шрифтов.
 Существует довольно много программ, позволяющих искать шрифт.
  Многие из этих программ требуют, чтобы вы загрузили изображение или ввели URL-адрес местоположения изображения, и программное обеспечение использует изображение для определения используемого шрифта. Другое программное обеспечение сужает шрифт, полагаясь на ваши ответы на ряд вопросов.
 Программное обеспечение для шрифтов, которое использует наша компания, называется Find My Font. Это программное обеспечение для идентификации шрифтов, которое использует загруженное изображение. Вы нажимаете на пиксели в загруженном .jpeg, а затем вводите, какие буквы представляют эти пиксели. Затем вы запускаете сканирование, которое ищет совпадающие шрифты и составляет список.
 Вы можете выбрать из списка шрифты, которые уже есть на вашем компьютере (локальный поиск), или шрифты, которые есть в сети (онлайн-поиск). Вы можете запускать локальный и онлайн-поиск отдельно или одновременно. Система разделяет их по цвету.
   Локальные и онлайн-шрифты ищутся после загрузки изображения, нажатия на пиксели и ввода букв, которые они представляют. В программу встроено несколько дополнительных инструментов. Инструмент «Вращение базовой линии» позволяет провести параллельную линию вдоль основания букв, чтобы автоматически повернуть изображение под углом к горизонтали, чтобы можно было выбрать соответствующие буквы.
 Другим удобным инструментом является инструмент «Разделитель букв», который отлично подходит для изображений, которые могут быть немного размытыми, или логотипов, где буквы соединены. Чтобы отсканировать шрифт, вам нужно начать с отдельных букв, поэтому, разделив их, вы сможете ввести то, что представляют пиксели.
 Когда буквы на изображении идут вместе, встроенный инструмент разделения позволяет разделить пиксели и выбрать соответствующие буквы.
  Есть также инструменты вращения и инструмент коррекции и деформации изображения. Это позволяет вам настраивать импортированное изображение в программном обеспечении, поэтому вам не нужно тратить кучу времени, пытаясь выпрямить и обработать изображение в отдельном программном обеспечении, таком как Photoshop, перед его импортом.