Belirli bir görüntü türü için ideal yeniden örnekleme algoritması nasıl belirlenebilir?


12

Bu soruyu okuyordu ve düşünmeye başladım. En iyi yeniden örnekleme çözümünün ne olduğunu tam olarak nasıl belirleyebilirsiniz? Biraz belirsiz de olsa, temel yöntemlerin ne yaptığına dair bir konseptim var.

Farklı görüntü türleri için iyi genel kurallar var mı? Örneğin, fotoğraflar için belirli bir yeniden örnekleme algoritması kümesi ve web grafikleri için farklı bir küme mi kullanıyorsunuz? Görüntünün genel rengi, konunun kontrastı ve arkaplan, vs. devreye girer mi?


Yanıtlar:


9

Cambridge in Color'da görüntü yeniden boyutlandırma konusunu ele alan bir dizi bilgilendirici ders var.

  1. Görüntü Enterpolasyonunu Anlamak , görüntü enterpolasyonunun arkasındaki temel teoriyi kapsar.
  2. Web ve E-posta için resim yeniden boyutlandırma , küçülen resimleri ve dikkat edilecek tuzakları kapsar.
  3. Dijital Fotoğraf Büyütmeyi Optimize Etme benzer şekilde yukarı ölçeklenen görüntüleri de kapsar.

Son öğretici özellikle iyidir, çünkü her bir algoritmanın kenar yumuşatma, bulanıklaştırma ve kenar haleleri bakımından değiş tokuşunu görselleştirmenize yardımcı olan bir şema ile birlikte ortak enterpolasyon algoritmaları tablosu vardır.


6

Doğrudan cevap, nihayetinde, yapmazsınız. Çok fazla vakada, bir tat sorununa gelir. Belirli bir görüntünün yeniden boyutlandırılmış sürümlerine bakan üç kişi hangisinin en iyi olduğu konusunda üç farklı fikre sahip olabilir (ve çoğu zaman olacaktır). Yapabileceğiniz en iyi şey, bir görüntünün hangi özelliklerini önemli gördüğünüzü seçip buna dayalı bir yöntem seçmektir.

Örneğin, en yakın komşu hatlarda keskin kenarları korumak için oldukça iyi bir iş çıkarır - çoğu enterpolasyon yönteminden çok daha fazla. Aynı zamanda, "pürüzsüz" görünmesi gereken şeylere (örneğin, açık mavi gökyüzü) uygulandığında kenarlara benzeyen yapay nesneler üretebilir.

Bunun tersi de doğrudur: enterpolasyon, degradeleri yumuşatmaya yardımcı olabilir, ancak keskin kenarlar olması gerekenleri "yumuşatma" eğilimindedir. Çok ileri giderseniz, ince ayrıntılar tamamen silinebilir.

Daha iyi yöntemlerin çoğu bir dereceye kadar uyarlanabilir. Basitçe ifade etmek gerekirse, orijinal verinin içerdiği gradyanların ne kadar "keskin" olduğunu tahmin ederler ve orijinalde mevcut olan kabaca aynı pürüzsüzlük / keskinlik seviyesini korumaya çalışırlar. Uyarlama normalde resmi bloklar halinde tarayarak ve uyarlamayı blok blok temelinde uygulayarak yapılır.

Örneğin, açık mavi bir gökyüzüne ve çok ince ayrıntılara sahip ağaçlara (dallar, yapraklar, vb.) Sahip bir manzaraya sahipseniz, dallara gökyüzüne göre çok daha az yumuşatma uygulanır.

Bununla birlikte, hiçbiri mükemmel olmayan degradeleri tahmin etmenin çeşitli yolları ve hiçbiri tüm resimler için ideal olmayan çeşitli boyutlarda pencereler vardır. Bu, uyarlanabilir algoritmalar arasında bile oldukça fazla fark yaratır.


5

Bu site ( Görüntü Büyütme Yöntemlerinin Karşılaştırılması ) farklı enterpolasyon yöntemlerini karşılaştırmak için iyi bir iş çıkarır. Ve araçlarını indirirseniz ( SAR Görüntü İşlemcisi, sürüm 4.3 ) kalite farklılıklarını gerçekten ölçebilirsiniz.

İyi bir rehber gibi görünse de hangi algoritmanın hangi görüntü türüne uygun olduğu sorusuna cevap vermez.

Aşağıda çeşitli enterpolasyon algoritmaları için test sonuçlarının bir özeti verilmiştir. Diyagram telif hakkı general-cathexis.com .

resim açıklamasını buraya girin

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.