Jak określić idealny algorytm ponownego próbkowania dla danego typu obrazu?

Czytałem to pytanie i zacząłem myśleć. Jak dokładnie możesz określić, jakie jest najlepsze rozwiązanie do ponownego próbkowania? Mam pojęcie, choć nieco niejasne, co robią podstawowe metody.

Czy istnieją jakieś ogólne zasady dotyczące różnych rodzajów obrazów? Na przykład używając określonego zestawu algorytmów ponownego próbkowania zdjęć i innego zestawu grafiki internetowej? Czy w grę wchodzi ogólny kolor obrazu, kontrast obiektu i tła itp.?

Istnieje seria bardzo pouczających samouczków na temat Cambridge in Colour, które dotyczą tematyki zmiany rozmiaru obrazu.

1. Zrozumienie interpolacji obrazu obejmuje podstawową teorię interpolacji obrazu.
2. Zmiana rozmiaru obrazu w Internecie i e- mailu obejmuje zmniejszenie rozmiaru obrazów i pułapki, na które należy zwrócić uwagę.
3. Optymalizacja cyfrowego powiększania zdjęć obejmuje również skalowanie obrazów.

Ostatni samouczek jest szczególnie dobry, ponieważ znajduje się tabela wspólnych algorytmów interpolacji wraz ze schematem, który pomaga w wizualizacji kompromisu każdego algorytmu w odniesieniu do wygładzania krawędzi, rozmycia i aureoli krawędzi.

Bezpośrednia odpowiedź brzmi: ostatecznie nie. W bardzo wielu przypadkach sprowadza się to do gustu. Trzy osoby oglądające zmienione wersje konkretnego obrazu mogą (i często będą) mieć trzy różne opinie na temat tego, który z nich jest najlepszy. Najlepsze, co możesz zrobić, to wybrać funkcje obrazu, które uważasz za ważne, i wybrać na tej podstawie metodę.

Na przykład najbliższy sąsiad nieźle sobie radzi z utrzymywaniem ostrych krawędzi na liniach - znacznie więcej niż większość metod interpolacji. Jednocześnie może przy zastosowaniu do rzeczy, które powinny wyglądać „gładko” (np. Czyste błękitne niebo), może wytwarzać artefakty, które wyglądają raczej jak krawędzie.

Odwrotna jest również prawda: interpolacja może pomóc w wygładzaniu gradientów, ale ma również tendencję do „wygładzania” ostrych krawędzi. Jeśli posuniesz się za daleko, drobne szczegóły mogą zostać całkowicie usunięte.

Większość lepszych metod jest do pewnego stopnia adaptacyjna. Znacząco upraszczając, szacują, jak „ostre” gradienty zawierają oryginalne dane i próbują utrzymać w przybliżeniu ten sam poziom gładkości / ostrości, jaki występuje w oryginale. Dostosowanie zwykle odbywa się poprzez zeskanowanie obrazu w blokach i zastosowanie dostosowania na zasadzie blok po bloku.

Na przykład, jeśli masz krajobraz z czystym, błękitnym niebem i drzewami z dużą ilością drobnych szczegółów (gałęzie, liście itp.), Spowoduje to o wiele mniej wygładzenie gałęzi niż nieba.

Istnieją jednak różne sposoby szacowania gradientów, z których żaden nie jest idealny, i różne rozmiary okien, z których żaden nie jest idealny dla wszystkich zdjęć. To pozostawia miejsce na sporą różnicę nawet między algorytmami adaptacyjnymi.

Ta strona ( porównanie metod powiększania obrazu ) dobrze się sprawdza, porównując różne metody interpolacji. A jeśli pobierzesz ich narzędzie ( SAR Image Processor, wersja 4.3 ), możesz faktycznie zmierzyć różnice w jakości.

Choć wydaje się być dobrym przewodnikiem, nie odpowiada na pytanie, jaki algorytm pasuje do jakiego rodzaju obrazu.

Poniżej znajduje się wyciąg z ich wyników testów dla różnych algorytmów interpolacji. Prawa autorskie do diagramu general-cathexis.com .