Какво е цифрова интерполация на изображението

изображение интерполация се случва във всички цифрови фотографии в някакъв момент, независимо дали става dematrizatsiya или мащабиране. Това се случва всеки път, когато променяте размера или сканиране на изображения от един и същ пиксел мрежа към друга. Промяна на размера на изображението, което трябва, когато трябва да се увеличи или намали броя на пикселите, а промяната в позицията може да се случи в най-различни обстоятелства: корекция на изкривяването на обектива, промяна на перспективата, или завъртите изображението.

Дори и промяна в размера или се подлага на сканиране на едно и също изображение, резултатите могат да варират значително в зависимост от алгоритъма за интерполация. Тъй като всяка интерполация е само приближение, то ще загуби част, както винаги, когато се интерполира. Тази глава има за цел да осигури по-добро разбиране на това, което се отразява на резултата - и по този начин да ви помогне да се намали до минимум загубата на качество на изображението, причинено от интерполация.

Същността на интерполацията е да се използват наличните данни за генериране на очакваните стойности на неизвестно място. Например, ако искате да знаете какво температурата е в следобедните часове, но тя се измерва на 11 и в час, може да се предположи своята стойност, като се използва линейна интерполация:

Ако сте имали още едно измерение в 11:30, можете да забележите, че до обяд температурата се покачва по-бързо и да използва това допълнително измерение на квадратното интерполация:

Колкото повече температурни измервания, ще трябва около обяд, толкова по-сложен (и очаквано по-точно) може да бъде вашата интерполация алгоритъм.

Пример преоразмеряване на изображението

Интерполация изображения оперира в две измерения и се опитват да стигнат до най-доброто сближаване на цвят и яркост на пиксела въз основа на стойностите на околните пиксели. Следният пример илюстрира операция мащабиране:

За разлика от температурните колебания и горните идеални пикселни стойности градиент може да варира в много по-драматично от точка до точка. Както в примера с температурата, толкова повече се знае за заобикалящите го пиксели, толкова по-добре работата интерполация. Ето защо резултатите се влошават бързо разтягане на изображението, и в допълнение, интерполацията никога не могат да се добавят детайлност на изображението, което тя не разполага.

въртене на изображението Пример

Интерполация се случва всеки път, когато завъртите изображението или да промени гледната точка. В предишния пример е подвеждащо, тъй като това е специален случай, в който interpolators обикновено работят добре. Следният пример показва колко бързо нещата могат да бъдат загубени детайл от изображението:

90 °
(Lossless)

2 завъртане 45 °

6 навивки от 15 °

Завъртане на 90 °, не се въведе загуби, тъй като не пиксел е длъжен да постави на границата между две (и съответно се разделят). Забележете колко детайла се губи в първия завой, а и на качеството продължава да пада в бъдеще. Това означава, че трябва да избягвате ротации, като е възможно; ако неравномерно изложени рамка изисква от своя страна, не се върти повече от веднъж.

Горните резултати с помощта на така наречения алгоритъм "Bicubic" и показва значително влошаване на качеството. Забележете как цялостното контрастът е намалена поради по-ниска интензивност на цвета, колкото и заобикалящия светлосиньото излезе тъмен ореол. Резултатите могат да бъдат много по-добри, в зависимост от алгоритъма за интерполация и заснета обекта.

Видове интерполация алгоритми

Non-адаптивни алгоритми включват най-близкия съсед, билинеарно, bicubic, сплайн, задължително кардинал функция (Sinc), метод Lanczos и др. В зависимост от сложността, те се използват 0-256 (или повече) съседни пиксели, които да се интерполира. По-съседни пиксели те съдържат, по-точно може да бъде, но това се постига за сметка на значително увеличаване на времето за обработка. Тези алгоритми могат да се използват за сканиране, както и да се мащабират изображението.

Адаптивни алгоритми включват много търговски алгоритми лицензирани програми като Qimage, PhotoZoom Pro, Оригинални Фрактали и др. Много от тях се използват различни версии на техните алгоритми (въз основа на анализ на пиксел), когато те се открие наличието на границата - за да сведат до минимум неприятните дефекти интерполация в области, където те са най-видими. Тези алгоритми са предназначени основно за да увеличите без дефекти подробно разширяванията от, така, че някои от тях да се върти или да промени перспективите на картината не са подходящи.

Най-близкият съсед

Това е най-основната от всички интерполация алгоритми, което изисква най-малко време за обработка, тъй като само счита един пиксел - най-близо до точката за интерполация. В резултат на това всеки пиксел е просто стават по-големи.

билинеарно интерполация

Bilinear интерполация счита квадрат 2x2 пиксела познати, а други неизвестни. Интерполираната стойност се използва като претеглена средна стойност на тези четири пиксела. В резултат на това се появяват изображения значително по-гладко, отколкото в резултат на метода на най-близкия съсед.

Диаграмата отляво се отнася до случая, когато са известни всички пиксели, така че интерполираната стойност е просто тяхната сума, разделена на четири.

bicubic

Bicubic отива една стъпка напред билинеарно като се вземат предвид множество 4x4 пиксела околните - само 16. Тъй като те са разположени на различни разстояния от neizvestnogopikselya следващите пиксела получат по-голяма тежест в изчислението. Bicubic интерполация произвежда много по-детайлни изображения в сравнение с предишните два метода, а вероятно е оптималното съотношение на времето за обработка и качеството на продукцията. Поради тази причина, той се превърна в стандарт за много програми за редактиране на изображения (включително Adobe Photoshop), драйвери за принтер и вградени интерполация камера.

по-висок порядък интерполация: сплайн и Sinc

Има много други interpolators, които да отчитат повече от заобикалящите го пиксели, и по този начин да изискват по-интензивни изчисления. Тези алгоритми включват шлици и кардинал задължително (Sinc) и те притежават най-много информация за изображението след интерполация. В резултат на това те са изключително полезни, когато изображението изисква няколко завои или промени в перспективите за отделните етапи. Въпреки това, за единичен увеличение или по-висока, за такива алгоритми предоставят малко визуално подобрение със значително увеличаване на времето за обработка. Освен това, в някои случаи и алгоритъм кардинал синуса на гладка секцията изпълнява по-лошо от bicubic интерполация.

Наблюдаваното дефекти интерполация

Всички не-адаптивни interpolators опитват да намерят оптимален баланс между трите нежелани дефекти: граница хало размазване и градация.