門外漢的暴力Logo製作方法

更新於 2023/08/12閱讀時間約 7 分鐘
本文非教學文,僅記錄筆者製作過程。
門外漢

門外漢


前言

  是這樣的,之前一時興起用平板的繪圖軟體幫自己的小說畫了一個logo。需要封面圖時就全用那個logo上了,不得不說真的非常方便呢(笑)

  然而現在回頭看當初的logo,覺得瑕疵頗多,所以決定下手修改。


舊版

工具:愛筆思畫


1.0版

用平板電腦畫的最初版

用平板電腦畫的最初版


這個最初版本存在幾個問題:

  1. 冰被換成菱形圖樣的部分超過原筆劃長度,看上去不協調。
  2. 筆劃被切成碎片的部分太過細碎。
  3. 字體太細。
  4. 畫質不佳。


2.0版

2.0版本,只修正了過於細碎的碎片

2.0版本,只修正了過於細碎的碎片



字體選用錯誤

  第一和第二點就不多說了,直接從第三點字體說起。因為繪圖軟體中提供的字體名稱全是英文,因此當初也不確定自己用了什麼字體,覺得感覺還行、授權沒問題就用了。

  打算著手製做3.0版本前去查了一下,當初使用的是思源宋體,而且還是日文字體。

  即使是同一個字,日文和中文字體看上去還是會有些許不同。毫無疑問,字體必須更換。


選用點陣圖檔

  因為是使用行動版的繪圖軟體,想當然爾格式一定是點陣。眾所周知,點陣圖放大之後會看見一格格小方塊,縮放時畫質會變差,這就是點陣圖最大的缺陷。

點陣圖於photoshop中放大後,明顯能看見格子

點陣圖於photoshop中放大後,明顯能看見格子

在illustrator中開啟的向量圖檔,左為原圖,右為放大500%後

在illustrator中開啟的向量圖檔,左為原圖,右為放大500%後

  logo因為常常要配合圖片尺寸放大縮小,因此向量圖才是最好的選擇,所以這次製作3.0版本的時候,決定使用AI(Adobe Illustrator)製作向量圖。

  其實還有一個原因是平板長期借人用了,如果繼續用繪圖軟體日後想調整也很難,所以乾脆直接全用電腦做。


製作新版

工具:Adobe Illustrator、Adobe Photoshop

  標題就寫了,阿耘我是個徹頭徹尾的外行人,只能邊查資料邊製作。AI和PS功能雖齊全,但對於新手來說無法像繪圖軟體一樣直觀操作,因此製作過程絕大部分的時間都是不斷進行實驗。


設計元素

冰魂司的logo大致組成如下

  1. 菱形的針貫穿字。
  2. 筆畫切割及破碎效果。
  3. 白字,上面有黑色水彩渲染的紋路。


2.0版本

2.0版本


  以上三點在繪圖軟體很好搞定,第一、二點要切的時候橡皮擦直接擼過去就是了;第三點勾選保護不透明度,渲染筆刷畫下去就完事。簡單粗暴又直觀。


那麼在AI和PS該怎麼做呢?


門外漢的策略

(一)打字

  先輸入需要的字,然後按右鍵選「建立外框」,這樣文字就會出現,可以自由拖曳調整形狀。

藍色方框即是錨

藍色方框即是錨



(二)繪製菱形針

  在AI用鋼筆工具畫菱形外框,將筆刷轉換成外框,之後畫兩個三角形填滿菱形的左上和右下角,聯集所有物件。

繪製完的菱形針

繪製完的菱形針

  小說主人公有一冰針的招式,算是故事的重點,因此繪製了這個形象放在標題logo中👉點我看故事片段


(三)筆畫切割

  這對我來說真的是一個大工程,在AI當然不適合直接用橡皮擦擼,所以我想到的是用差集解決。

  • 讓位給菱形針通過的部分,我是用等比放大的菱形去差集
  • 兩筆劃銜接之處則畫長方形差集,以確保每處切開的間隙大小皆相同
像這樣把橘色區塊和文字差集

像這樣把橘色區塊和文字差集


  熟悉AI的可能會想,不是有剪刀工具嗎?是的,但我還沒摸透剪刀該怎麼用,常常會出現不受控的情況,所以乾脆直接用差集切了。

  不過「」和「」的碎片效果就是用剪刀工具做的,經歷了無數次嘗試,我好像終於搞懂了一些。

  別看這兩點只有這麼點文字敘述,光是這兩部分我就做了整整兩天。因為很多工具不清楚該怎麼用,有時候效果是有了,但後製卻又出問題,只能全部打掉重來。

  搞清楚該怎麼做之後,又試了好幾種排版,看哪種比較好看。

嘗試最多排版的字。AI最方便的就是可以透過錨點控制形狀,不像繪圖軟體,雖然可以拉透視,但效果不好。

嘗試最多排版的字。AI最方便的就是可以透過錨點控制形狀,不像繪圖軟體,雖然可以拉透視,但效果不好。

  把目標物凍結並且碎裂成冰屑是《冰魂司》主人公慣用的手法(👉點我看故事片段),因此我把碎片和冰針結合,做出像是被針射穿的圖案。


(四)渲染圖樣

  最後這個渲染效果,我花了一整天嘗試。

  AI裡面雖然有水彩筆刷,但是AI沒辦法做細緻的處理,水彩的效果也不符合我的理想,只能轉用PS做。

  會想到PS主要是因為之前製作《歡迎光臨事事如意商店》的封面時,想在圖片裡加點小彩蛋,所以把《冰魂司》的某張圖P成水彩風格給繪師用。

商店牆上的海報是冰魂司的封面

商店牆上的海報是冰魂司的封面

左是原圖,右是p圖後的樣子。因為是看網路教學手把手做的,不用動腦,0基礎也完全沒問題!

左是原圖,右是p圖後的樣子。因為是看網路教學手把手做的,不用動腦,0基礎也完全沒問題!


  因為p過這張圖,所以這次做水彩效果我第一個想到的是蓋一層雲狀效果上去。但是不管怎麼調都不滿意,試了老半天最後還是去網路上找人家做好的筆刷直接用畫的。


但!是!

以為這樣就萬事大吉了嗎?

並沒有!


這次重製除了更改字體外,最大目的是改成向量圖檔,可PS是點陣圖


(五)痛苦的點陣轉向量

  試了很久,不管怎麼樣都沒辦法把PS裡的智慧型物件弄到AI,就算直接把檔案存成AI也一樣。也是過存成svg檔的影像資產,但出來的一樣是點陣圖。

  浪費了人生大把光陰後,只好認命把上好色的傢伙扔進AI做影像描圖。渲染效果不用高保真度相片弄不出,但用了邊緣線又會坑坑巴巴。

  糾結苦惱了很久,才突然想到一個很簡單的方法。


(六)遮色片


為什麼我不單獨輸出水彩渲染的圖層,再製作遮色片就好?


  開啟水彩圖、把做完的logo扔上去,然後裁剪遮色片,這樣一來我就能同時擁有平滑的邊緣和漂亮的渲染了。

被自己笨死

  所以說自己摸索真的會走很多冤枉路。有心想學的話還是乖乖看教學,摸索完基本功能再開工,不要和我一樣硬上。

  不過一開始我也不是沒按過遮色片,但是按下去之後整個東西都不見了,我還以為是我做的東西有什麼問題,所以就放棄了。後來走投無路回頭仔細看了遮色片的教學,不對呀,東西明明沒問題。

  結果一樣的步驟,開一個全新檔案用又可以了,好謎。


3.0版誕生🎉

  雖然製作過程崎嶇難行,但最終好歹把東西生出來了 ✿*。 ٩(ˊᗜˋ*)و✿*。

嘔心瀝血

嘔心瀝血

  最後雖然用遮色片完成上色,不過因為影像描圖是用高保真度相片,所以會有一大堆密密麻麻的路徑,造成有些地方有破洞

  後來是在描完的圖底下再疊一層白底才沒有出現破洞。


與舊版的不同

  1. 字體從思源宋體換成源流明體
  2. 字體加粗至H。
  3. 調整「冰」字菱形圖樣的位置以修正不協調感。
  4. 修正過細的破碎效果。
  5. 改成向量模式。
三版本比較

三版本比較


舊圖重製

《冰魂司》3.0版的預覽圖

《冰魂司》3.0版的預覽圖

Ep新書封

Ep新書封

方格子專題新頭像

方格子專題新頭像


  這樣看下來您可能發現,上面三張圖存有色差。就讓我來告訴您為什麼會發生這種事——

  事情是這樣的,藍色背景是我用平板畫的(金花是素材),平板、手機電腦之間的顯示會有色差,而且我當初好像還忘了關掉藍光過濾。因此那時在平板看起來正常的顏色,到電腦就變得超亮。

  所以做Ep封面圖的時候就用PS調了一下,但調完後忘了單獨存圖,製作預覽圖時又重調了一次,才會導致兩者出現色差。

  這陣子做logo已經把我的科技能量燃燒完了,雖然調背景很簡單,但我暫時不想再開PS,所以就這樣繼續用吧。






感謝閱讀,也請支持我燃燒生命燃燒愛的作品《冰魂司》❤️


分類:#奇幻 #冒險 #校園 #魔法


👉全新推出◆超濃縮精華版◇
👉兩篇文章,十分鐘帶您看完一回!

【超濃縮精華版】


【正文+設定集】


avatar-img
72會員
20內容數
沙龍緩慢施工中
留言0
查看全部
avatar-img
發表第一個留言支持創作者!
你可能也想看
Google News 追蹤
Thumbnail
*合作聲明與警語: 本文係由國泰世華銀行邀稿。 證券服務係由國泰世華銀行辦理共同行銷證券經紀開戶業務,定期定額(股)服務由國泰綜合證券提供。   剛出社會的時候,很常在各種 Podcast 或 YouTube 甚至是在朋友間聊天,都會聽到各種市場動態、理財話題,像是:聯準會降息或是近期哪些科
Thumbnail
連同上兩篇文章,我們介紹了機械學習裡的基石,並踩著這些基石了解了改變資料餵送方式,以及動態改變學習率或在更新項中加入動量的方法。我們可以看到這些梯度下降的變化,主要是解決兩個問題:梯度震盪和非最佳的局部最小值造成學習停滯不前的問題。在這篇文章中,我們著重動量和 Adam 的方法來達成克服以上的問題。
Thumbnail
我們將會對動態設定學習率(learning rate)作為最陡梯度下降法的變異演算法做介紹。內容包括了解釋什麼事循環式的學習率調整排程法和何謂使用指數衰退權重來計算移動平均值,同時也介紹如何對大量參數的變數進行最佳化和目前活躍的演算法變異。如 adagrad, adadelta 和 RMSprop
Thumbnail
在影像生成的領域中,其中一個富有挑戰的是影像對影像的轉譯問題。該問題包括了 paired 和 unpaired 兩個子問題。在本文中,會先提 paired 問題的 pix2pix。unpaired 的問題則會談到 cross consistency, Normalization 和 attentio
Thumbnail
梯度下降學習法雖然是一個有效的最佳化方法,然而因為梯度本身屬於局部變化,因此有三個陷阱,而未能到達全域最小值的命運。他們分別是:局部最小值, 初始值和病態的二階導數矩陣。我們將解釋這些最佳化陷阱的成因,以及提出相對應的方法。這些方法包括了使用 mini-batch,加入處罰項和 early stop
Thumbnail
感知器  (perceptron) 利用逐一探訪訓練資料,以更多的訓練例子被正確的分類為目標,來更新任意初始的權重。然而該方法難以延伸到非線性的分類平面,所以以梯度為主的最佳化演算法取而代之,並發展出更多的應用。在本篇中,除了介紹梯度下降法外,亦會討論如何利用學習曲線圖診斷一個機械模型,並對症下藥。
Thumbnail
這篇文章從類神經網路的起源,也就是單神經元的感知器。簡單的感知器迭代演算法使單神經元可以學習,但卻無法學習超過非線性,如 XOR 的資料分布。另外,本文還介紹了 Logistic regression,藉由透過非線性轉換來使線性輸出近似於機率分佈。最後則以一場大師賭局結束(SVM vs NN)。
Thumbnail
本文提到如何以類神經網路為主的深度學習方法,來進行物體偵測。文中包括基礎的物體偵測簡介:如影像問題分類,影像處理和傳統非類神經網路為主的物體偵測方法。這些傳統方法,仍可以在類神經網路的方法中找到其應用。最後簡略敘述當前使用深度卷積網路作為物體偵測的主要研究方向,並對學術界常用的訓練資料集做分析介紹。
Thumbnail
在此篇文章終將會簡述機械學習的發展,簡介深度學習以 Sequence to Sequence 為架構,並在多場機械翻譯的學術年會,獲得成績斐然的結果。在本文中,會粗略介紹 Sequence to Sequence 架構並以 google 在 2017 對Seq2Seq 所進行的大規模參數。
Thumbnail
本文接續上篇直覺式強化學習教學,著重於解釋強化學習中常見的探索和竭盡難題,以及如何利用不同的方法來進行策略函式的學習,並與策略梯度做比較。同時,介紹 A2CS 所使用的損失函式,以及應用這個損失函示於深度學習時會遇到的訓練難題。最後,總結強化學習和深度學習的未來方向,以及本系列文章所企圖達到的目標。
Thumbnail
本文介紹由 OpenAI 發表的強化學習中基準模型,並藉由國外軟體工程師所繪畫的生動動畫來做直覺式的強化學習介紹以及教學。在漫畫中,將會比較蒙地卡羅和 Advantage Actor Critic (A2C) 模擬方法的不同,並將強化學習中的基礎觀念融入漫畫中。
Thumbnail
*合作聲明與警語: 本文係由國泰世華銀行邀稿。 證券服務係由國泰世華銀行辦理共同行銷證券經紀開戶業務,定期定額(股)服務由國泰綜合證券提供。   剛出社會的時候,很常在各種 Podcast 或 YouTube 甚至是在朋友間聊天,都會聽到各種市場動態、理財話題,像是:聯準會降息或是近期哪些科
Thumbnail
連同上兩篇文章,我們介紹了機械學習裡的基石,並踩著這些基石了解了改變資料餵送方式,以及動態改變學習率或在更新項中加入動量的方法。我們可以看到這些梯度下降的變化,主要是解決兩個問題:梯度震盪和非最佳的局部最小值造成學習停滯不前的問題。在這篇文章中,我們著重動量和 Adam 的方法來達成克服以上的問題。
Thumbnail
我們將會對動態設定學習率(learning rate)作為最陡梯度下降法的變異演算法做介紹。內容包括了解釋什麼事循環式的學習率調整排程法和何謂使用指數衰退權重來計算移動平均值,同時也介紹如何對大量參數的變數進行最佳化和目前活躍的演算法變異。如 adagrad, adadelta 和 RMSprop
Thumbnail
在影像生成的領域中,其中一個富有挑戰的是影像對影像的轉譯問題。該問題包括了 paired 和 unpaired 兩個子問題。在本文中,會先提 paired 問題的 pix2pix。unpaired 的問題則會談到 cross consistency, Normalization 和 attentio
Thumbnail
梯度下降學習法雖然是一個有效的最佳化方法,然而因為梯度本身屬於局部變化,因此有三個陷阱,而未能到達全域最小值的命運。他們分別是:局部最小值, 初始值和病態的二階導數矩陣。我們將解釋這些最佳化陷阱的成因,以及提出相對應的方法。這些方法包括了使用 mini-batch,加入處罰項和 early stop
Thumbnail
感知器  (perceptron) 利用逐一探訪訓練資料,以更多的訓練例子被正確的分類為目標,來更新任意初始的權重。然而該方法難以延伸到非線性的分類平面,所以以梯度為主的最佳化演算法取而代之,並發展出更多的應用。在本篇中,除了介紹梯度下降法外,亦會討論如何利用學習曲線圖診斷一個機械模型,並對症下藥。
Thumbnail
這篇文章從類神經網路的起源,也就是單神經元的感知器。簡單的感知器迭代演算法使單神經元可以學習,但卻無法學習超過非線性,如 XOR 的資料分布。另外,本文還介紹了 Logistic regression,藉由透過非線性轉換來使線性輸出近似於機率分佈。最後則以一場大師賭局結束(SVM vs NN)。
Thumbnail
本文提到如何以類神經網路為主的深度學習方法,來進行物體偵測。文中包括基礎的物體偵測簡介:如影像問題分類,影像處理和傳統非類神經網路為主的物體偵測方法。這些傳統方法,仍可以在類神經網路的方法中找到其應用。最後簡略敘述當前使用深度卷積網路作為物體偵測的主要研究方向,並對學術界常用的訓練資料集做分析介紹。
Thumbnail
在此篇文章終將會簡述機械學習的發展,簡介深度學習以 Sequence to Sequence 為架構,並在多場機械翻譯的學術年會,獲得成績斐然的結果。在本文中,會粗略介紹 Sequence to Sequence 架構並以 google 在 2017 對Seq2Seq 所進行的大規模參數。
Thumbnail
本文接續上篇直覺式強化學習教學,著重於解釋強化學習中常見的探索和竭盡難題,以及如何利用不同的方法來進行策略函式的學習,並與策略梯度做比較。同時,介紹 A2CS 所使用的損失函式,以及應用這個損失函示於深度學習時會遇到的訓練難題。最後,總結強化學習和深度學習的未來方向,以及本系列文章所企圖達到的目標。
Thumbnail
本文介紹由 OpenAI 發表的強化學習中基準模型,並藉由國外軟體工程師所繪畫的生動動畫來做直覺式的強化學習介紹以及教學。在漫畫中,將會比較蒙地卡羅和 Advantage Actor Critic (A2C) 模擬方法的不同,並將強化學習中的基礎觀念融入漫畫中。