Srovnávací galerie algoritmů pro změnu měřítka obrazu - Comparison gallery of image scaling algorithms

Tato galerie zobrazuje výsledky mnoha změna měřítka obrazu algoritmy.

Metody škálování

Velikost obrázku lze změnit několika způsoby. Zvažte změnu velikosti fotografie o rozměrech 160 x 160 pixelů na následující miniaturu o rozměrech 40 x 40 pixelů a poté měřítko miniatury na obrázek o rozměrech 160 x 160 pixelů. Zvažte také zdvojnásobení velikosti následujícího obrázku obsahujícího text.

Obrázky s nízkým rozlišením
MiniaturaText
Obrázek miniaturyPůvodní obrázek, miniatura 40 x 40 pixelů
Porovnání metod změny měřítka
Originální fotografieUpscaled thumbnailUpscaled textAlgoritmus a popis
Referenční miniatura 160 × 160Interpolace nejbližších sousedůInterpolace nejbližších sousedů

Interpolace nejbližších sousedů

Jeden z jednodušších způsobů zvětšení velikosti, kdy každý pixel nahradíte počtem pixelů stejné barvy. Výsledný obrázek je větší než originál a zachovává všechny původní detaily, ale má (možná nežádoucí) zubatost. Například diagonální čáry „W“ nyní ukazují tvar „schodiště“ charakteristický pro interpolaci nejbližšího souseda. Jiné níže uvedené metody změny měřítka jsou lepší při zachování hladkých kontur v obrázku.

Referenční miniatura 160 × 160Bilineární interpolaceLineární interpolace

Bilineární interpolace

Lineární (nebo bilineární, ve dvou rozměrech) interpolace je obvykle dobrá pro změnu velikosti obrazu, ale způsobuje určité nežádoucí změkčení detailů a může být stále poněkud zubatá.

Odkaz na miniaturu 160 × 160Bikubická interpolaceKubická interpolace

Bikubická interpolace

Mezi lepší metody škálování patří bikubická interpolace, Lanczos převzorkování a Mitchell-Netravali filtry.

Odkaz na miniaturu 160 × 160Fourierova interpolaceFourierova interpolace + saturace

Fourier - interpolace na základě

Jednoduchá Fourierova interpolace založená na polstrování frekvenční doména s nulovými komponentami (přístup založený na hladkém okně by snížil zvonění ). Vedle dobrého zachování detailů je pozoruhodné vyzvánění a kruhové krvácení z obsahu od levého okraje k pravému okraji (a naopak).

Odkaz na miniaturu 160 × 160Náhled miniatury 40 × 40 souboru „Green Sea Shell“ (x4 DCCI) .pngWiki dcci 2x.png

Okrajová interpolace

Algoritmy interpolace zaměřené na hrany mají za cíl zachovat hrany v obrazu po změně měřítka, na rozdíl od jiných algoritmů, které mohou vytvářet artefakty schodiště kolem diagonálních čar nebo křivek. Mezi příklady algoritmů pro tento úkol patří Nová interpolace zaměřená na hrany (NEDI),[1][2] Interpolace obrazu s hranami (EGGI),[3] Iterativní interpolace založená na zakřivení (ICBI),[4] a Směrová kubická konvoluce interpolace (DCCI).[5] Studie zjistila, že DCCI mělo nejlepší skóre v PSNR a SSIM na sérii testovacích obrázků.[6]

Referenční miniatura 160 × 160hq4x škálováníhq2x škálování

Algoritmy škálování pixel artů

U zvětšování počítačové grafiky s nízkým rozlišením a několika barvami (obvykle od 2 do 256 barev) bude lepších výsledků dosaženo algoritmy škálování pixel art, jako je hqx. Produkují ostré hrany a udržují vysokou úroveň detailů.

Odkaz na miniaturu 160 × 160Vektorizace do 48 barev (Inkscape)Vektorizace

Trasování obrazu

Vektorizace nejprve vytvoří vektorové rozlišení grafiky nezávislé na rozlišení, které má být změněno. Poté se verze nezávislá na rozlišení vykreslí jako rastrový obrázek v požadovaném rozlišení. Tuto techniku ​​používá Adobe Illustrator Živá stopa, Inkscape a několik nedávných článků.[7]Škálovatelná vektorová grafika se dobře hodí k jednoduchým geometrickým obrazům, zatímco fotografie kvůli své složitosti nedokáží dobře vektorizovat.

Referenční miniatura 160 × 160EDSRwaifu2x

Hluboký konvoluční neuronové sítě

Použitím strojové učení, přesvědčivé detaily jsou generovány jako nejlepší odhady učením se společných vzorů z a soubor tréninkových dat. Výsledek upscaled je někdy popisován jako a halucinace protože vložené informace nemusí odpovídat obsahu zdroje. Metody EDSR (Enhanced Deep Residual Network) byly vyvinuty optimalizací konvenčních metod zbytková neurální síť architektura.[8] Mezi programy, které používají tuto metodu, patří waifu2x, Imglarger a Neural Enhance.

Odkaz na miniaturu 160 × 160ESRGAN

Hluboký konvoluční neuronové sítě pomocí vnímání ztráta

Vyvinuto na základě super-rozlišení generativní kontradiktorní síť Metoda (SRGAN),[9] vylepšený SRGAN (ESRGAN)[10] je přírůstkové vylepšení stejné generativní kontradiktorní sítě. Obě metody se spoléhají na percepční funkce ztráty[11] vyhodnotit iterace tréninku.

Reference

  1. ^ „Edge-Directed Interpolation“. Citováno 19. února 2016.
  2. ^ Xin Li; Michael T. Orchard. „NOVÁ SMĚROVÁ SMĚRNÁ INTERPOLACE“ (PDF). 2000 Mezinárodní konference IEEE o zpracování obrazu: 311. Archivovány od originál (PDF) dne 2016-02-14. Citováno 2016-07-03.
  3. ^ Zhang, D .; Xiaolin Wu (2006). "Algoritmus interpolace obrazu s hranou pomocí směrového filtrování a fúze dat". Transakce IEEE na zpracování obrazu. 15 (8): 2226–38. Bibcode:2006ITIP ... 15.2226Z. doi:10.1109 / TIP.2006.877407. PMID  16900678. S2CID  9760560.
  4. ^ K. Sreedhar Reddy; Dr. K. Rama Linga Reddy (prosinec 2013). „Zvětšení obrazu na základě interpolačních technik“ (PDF). International Journal of Advanced Research in Computer and Communication Engineering. 2 (12): 4631.
  5. ^ Dengwen Zhou; Xiaoliu Shen. „Zvětšení obrazu pomocí interpolace směrovou kubickou konvolucí“. Citováno 13. září 2015.
  6. ^ Shaode Yu; Rongmao Li; Rui Zhang; Mou An; Shibin Wu; Yaoqin Xie (2013). "Hodnocení výkonu interpolačních metod zaměřených na hranu pro bezhlučné obrazy". arXiv:1303.6455 [cs.CV ].
  7. ^ Johannes Kopf a Dani Lischinski (2011). „Depixelizing Pixel Art“. Transakce ACM v grafice. 30 (4): 99:1–99:8. doi:10.1145/2010324.1964994. Archivovány od originál dne 01.09.2015. Citováno 24. října 2012.
  8. ^ Lim, včela; Syn, Sanghyun; Kim, Heewon; Nah, Seungjun; Kyoung Mu Lee (2017). "Vylepšené hluboké zbytkové sítě pro superrozlišení jednoho obrázku". arXiv:1707.02921 [cs.CV ].
  9. ^ „Generative Adversarial Network and Super Resolution GAN (SRGAN)“. Citováno 26. srpna 2020.
  10. ^ Wang, Xintao; Yu, Ke; Wu, Shixiang; Gu, Jinjin; Liu, Yihao; Dong, Chao; Chen Change Loy; Qiao, Yu; Tang, Xiaoou (2018). „ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks“. arXiv:1809.00219 [cs.CV ].
  11. ^ „Funkce percepční ztráty“. Citováno 26. srpna 2020.