Yanıtlar:
Öncelikle, görüntü büyütme pikselleri sabit bir miktarda ayırmayı ve daha önce komşu pikseller arasındaki boşluğu benzer içeriğe doldurmayı içerir. Bu, temel piksel üretimi (bikubik filtreleme) yoluyla veya görüntüyü bir vektör temsiline dönüştürmek ve vektör uzayında ölçeklendirme gibi daha karmaşık yollarla yapılabilir.
Bikübik filtreleme, Bilinear filtreleme ile birlikte, görüntüyü büyüttüğünüzde komşu piksellerin renklerini karıştırmak için nispeten basit bir işlev eğrisi kullanın. Bilinear doğrusal bir fonksiyon eğrisi kullanırken, Bicubic bir kübik spline fonksiyon eğrisi (cspline) kullanır. Bikübik filtrasyon genellikle daha düzgün sonuçlar verir, ancak her iki algoritma da bir görüntüyü büyütürken "boşlukları doldurmak" için bir fonksiyon eğrisi aracılığıyla komşu piksellerin değerlerini bir araya getirir. Bikubik ölçeklendirmenin genellikle kayıpsız olduğuna dikkat edilmelidir, çünkü sadece orijinal pikseller arasındaki boşluk gerçekten üretilir. Belirli uygulamaların nüanslarına bağlı olarak, orijinal pikseller biraz değişebilir, ancak çoğunlukla orijinal veriler korunur ve görüntü büyütüldükçe doldurulması için yeni veriler üretilir.
Görüntü ölçeklendirmeye fraktal yaklaşım tamamen farklı bir yaklaşım gerektirir. Bir görüntünün içeriğini analiz etmek, kenarları ve "nesneleri" tanımlamak ve sonuçta görüntüyü fraktal vektör biçimine dönüştürmek için daha karmaşık algoritmalar kullanılır. Görüntü vektörleştirildikten sonra, vektör uzayında "kayıpsız" olarak ölçeklenebilir, daha sonra daha büyük bir boyutta yeniden oluşturulabilir. Orijinal Fraktallar gibi fraktal algoritmalar, pürüzsüz ve keskin kenarları korurken görüntüyü ölçeklemek için fraktal vektör algoritması kullanır. Bu yaklaşım, görüntünüzün başlangıçta keskin ve tanınabilir kenarları önemli bir faktör olarak kullandığında yararlıdır ve bu kenarlarda net netliğin korunması önemlidir.
Buna ek olarak, Orijinal Fraktallar "öz benzerlik" kavramı ile kenar ayrıntılarını korumaya, görüntü içeriğini doğada fraktal olarak değerlendirerek ayrıntıyı korumaya ve kenar dışı içeriği fraktal algoritmalardan yeniden oluşturmaya çalışır. Bunun, komşu piksellerden bilgi üretmek yerine, birçok pikselden oluşan kalıplardan yeni içerik üretilebileceği varsayılan faydası vardır. Bu yaklaşım, yaklaşık% 200 oranında büyütme yaparken çok işe yarayabilir, ancak ölçeklemenin temel vektör yapısı, daha büyük boyutlara ölçeklendirme yaparken daha belirgin hale gelir. Ayrıca, bu ölçeklendirme yönteminin kayıpsız olmadığı ve algoritmanın fraktal bulmaya çalıştıkça bazı ince piksel ayrıntılarının atılabileceği de not edilmelidir.çoğaltılabilecek desenler. Aşırı ölçeklendirme, görünür desen replikasyonu ile sonuçlanabilir ve tüm görüntü boyutlarında pürüzsüz, keskin kenarları korumak için ince kenar ayrıntıları silinebilir.
BenVista ayrıca S-Spline adlı özel bir algoritma sağlar. Bu algoritmanın özellikleri hakkında çok az bilgi var, ancak başka bir fonksiyon eğrisi tabanlı algoritma gibi görünüyor. PhotoZoom Pro'daki Orijinal Fraktallar gibi S-Spline Max ölçeklendirme, kenar tanımını koruyan mükemmel bir iş çıkarır. Bu algoritma aynı zamanda yaklaşık% 200'e kadar ölçeklendirme kapasitesine sahiptir, ancak bu algoritmayı çok daha fazla itmek, kenarda olmayan ayrıntıların bozulması ve yumuşatılması ile sonuçlanır. Ölçekleme algoritmalarındaki genel uzlaşma, maksimum kenar tanımı veya maksimum ayrıntı korumasıdır. Orijinal Fraktallar ve BenVista PhotoZoom Pro dahil olmak üzere üçüncü taraf ölçekleme algoritmalarının çoğunun, varsayılan olarak son görüntüye otomatik olarak keskin olmayan maske uyguladığı da not edilmelidir.
Bikübik yinelemeli bir şekilde kullanılabilir. Bikubik ölçeklemenin temel noktası, ölçeklendirdikçe daha fazla bilgi ve nihai netlik maliyetiyle daha fazla bilgi üretmesidir. % 3-5'lik artışlarla bikubik ölçeklendirme yaparak, çok daha orijinal veya yakın orijinal ayrıntılarını korur ve her adımda görüntünün çok daha azını üretirsiniz. Yinelemeli (veya kademeli) bir bikubik ölçeklendirmenin nihai sonuçları, ince ayrıntıları kaybetmeden önemli ölçüde daha yüksek kenar tanımını koruyabilir. Bununla birlikte, maliyet, ölçeklendirmeye çok daha fazla kişisel yatırımdır, çünkü şu anda bunu sizin için yapacak prefabrik uygulamalar yoktur. Önceki genişliği veya yüksekliği ölçeklendirme yüzdesinizle çarparak ve bu sayıyı resim düzenleme programınıza takarak, her adımda görüntünün yeni genişliğini ve yüksekliğini manuel olarak hesaplamanız gerekir. ' s bikubik ölçekleme aracı. Sonuç mükemmel olabilir ve keskin olmayan maskeleme ile bikibik görüntü kadar keskin olabilir. Bir görüntüyü görünür bir zarar olmadan ölçeklendirmenin sınırları, diğer algoritmalardan çok daha büyüktür, en az% 400, muhtemelen daha fazladır.