Bạn có cần sử dụng bộ lọc thông thấp trước khi thu nhỏ hình ảnh không?

Rõ ràng phép nội suy pixel bicubic là tốt cho việc tăng hoặc giảm hình ảnh (trong thời gian thực hoặc không).

Có nên sử dụng bộ lọc thông thấp trước khi thu nhỏ kích thước hay không, hoặc lấy mẫu hai chiều có xử lý các vấn đề răng cưa không?

texture

— Alan Wolfe
nguồn

Tôi hơi bối rối về tiền đề của bạn ... làm thế nào một bộ lọc thông thấp về mặt chất lượng khác với việc lấy mẫu xuống? Ý tôi là, tôi hiểu rằng các thuật toán là khác nhau và tất cả nhưng cả hai đều thu thập các mẫu từ các pixel lân cận và triệt tiêu tần số cao. Sự khác biệt lớn là độ phân giải của hình ảnh kết quả, nếu không, hai thao tác là đẳng cấu. Có vẻ như áp dụng cả hai là dư thừa.

— Jorge Rodriguez

Vâng đây là những gì làm tôi bối rối. Tôi biết rằng bạn không thể lấy mẫu hình ảnh xuống mà không bị răng cưa. Thực hiện phép nội suy hai chiều của pixel khi làm cho hình ảnh lớn hơn hoạt động thực sự tốt và trông đẹp mắt. Làm tương tự khi làm cho hình ảnh SEEMS nhỏ hơn hoạt động tốt, nhưng tôi không chắc liệu kết quả có thể có nhiều răng cưa hay không. Tôi đã tự hỏi nếu về mặt kỹ thuật, bạn cần thực hiện một số loại bộ lọc thông thấp trên hình ảnh trước khi thực hiện lấy mẫu hai chiều, hoặc nếu lấy mẫu hai chiều là đủ tốt trong thực tế? Tôi có thể thấy nó là một bộ lọc thông thấp có thể tự nó.

— Alan Wolfe

Đó là bài báo của Mitchell-Netravali mà tôi đã đề cập trong câu hỏi khác đề cập cụ thể đến ý tưởng này - ông đã khái quát hóa các hình khối và sau đó tìm ra các tham số bí danh ít nhất. Điều đó không có nghĩa là họ hoàn toàn không có bí danh, nhưng có lẽ nó sẽ hướng bạn tới khối nào được sử dụng để giảm thiểu bí danh.

— Jorge Rodriguez

Nếu đường truyền xuống được lấy mẫu đúng, nó sẽ thực hiện hiệu quả quá trình lọc thông thấp như là một phần của đường xuống. Không cần cho hoạt động của bộ lọc thông thấp riêng biệt.

Về cơ bản, khi bạn lấy mẫu xuống, bạn đang thực hiện một bộ lọc qua các pixel hình ảnh nguồn (độ phân giải cao), nhưng chỉ đánh giá nó tại các vị trí của pixel đích (độ phân giải thấp). Dấu chân của bộ lọc này cần xấp xỉ khoảng cách giữa các pixel đích, để tránh bỏ sót thông tin bằng cách bỏ qua các pixel nguồn ở giữa. Nhưng điều đó có nghĩa là dấu chân của bộ lọc sẽ rộng vài pixel nguồn, do đó, nó sẽ vượt qua nguồn một cách hiệu quả.

Ví dụ: giả sử bạn giảm mẫu hình ảnh chính xác gấp 10 lần trên mỗi trục. Với bộ lọc hộp (ví dụ: vì lợi ích), bạn sẽ đặt mỗi pixel đích thành trung bình của một hộp pixel 10 x10. Điều đó sẽ xóa sạch mọi tính năng nhỏ hơn 10px, do đó, đây thực sự là một bộ lọc thông thấp.

Bạn đề cập đến nội suy bicubic; chúng ta phải phân biệt giữa lọc và nội suy ở đây. Nội suy là thích hợp cho upampling, không downsampling. Nội suy bicubic hoạt động bằng cách lắp một miếng vá spline bicubic vào một vùng lân cận pixel 4 pixel, sau đó đánh giá miếng vá tại các điểm được nội suy. Mặc dù nó có thể hoạt động đủ tốt để lấy mẫu hình ảnh xuống theo một yếu tố nhỏ (tối đa gấp 2 lần hoặc hơn), nhưng nó sẽ thất bại nếu bạn đi xa hơn thế. Chẳng hạn, nếu lấy mẫu xuống 10 lần như trong ví dụ trước, bạn có thể thấy bicubic sẽ bỏ lỡ phần lớn các pixel nguồn và kết quả có thể khá bí danh.

Mặt khác, lọc bicubic chỉ là lọc tiêu chuẩn, sử dụng hạt nhân là hàm bicubic (trái ngược với nhân hộp, tam giác, Gaussian, Lanczos, v.v.). Hạt nhân Mitchell-Netravali là ví dụ cổ điển của loại này. Nếu được sử dụng để lấy mẫu xuống, hạt nhân phải có kích thước phù hợp với khoảng cách pixel đích như đã thảo luận trước đó và bạn sẽ tổng hợp tất cả các pixel trong dấu chân, không chỉ là một vùng lân cận có kích thước cố định 4 x 4 hoặc khác.

— Sậy
nguồn