답변:
이미지 크기 조정의 주제를 다루는 Cambridge in Color에 대한 매우 유익한 튜토리얼이 있습니다.
앤티 앨리어싱, 블러 링 및 에지 후광에 대한 각 알고리즘의 트레이드 오프를 시각화하는 데 도움이되는 다이어그램과 함께 공통 보간 알고리즘 테이블이 있으므로 마지막 자습서가 특히 좋습니다.
직접적인 대답은 궁극적으로 그렇지 않다는 것입니다. 끔찍한 경우에는 맛의 문제가 있습니다. 특정 이미지의 크기가 조정 된 버전을보고있는 세 사람은 어느 것이 가장 좋은지에 대한 세 가지 의견을 가질 수 있습니다. 할 수있는 최선의 방법은 중요하다고 생각하는 이미지의 기능을 선택하고이를 기반으로 방법을 선택하는 것입니다.
예를 들어, 가장 가까운 이웃은 대부분의 보간 방법보다 훨씬 선을 선명하게 유지하는 데 매우 효과적입니다. 동시에, "부드럽게"보이는 (예 : 맑고 푸른 하늘) 물건에 적용될 때 가장자리처럼 보이는 인공물을 생성 할 수 있습니다.
그 반대의 경우도 마찬가지입니다. 보간은 그라데이션을 부드럽게하는 데 도움이되지만 날카로운 모서리를 "부드럽게"만드는 경향이 있습니다. 너무 멀리 가면 세밀한 부분까지 완전히 지울 수 있습니다.
더 나은 방법의 대부분은 어느 정도 적응력이 있습니다. 상당히 단순화하여 원본 데이터에 포함 된 그라디언트의 "날카로움"을 추정하고 원본에있는 것과 거의 동일한 수준의 부드러움 / 선명도를 유지하려고 시도합니다. 적응은 일반적으로 블록 단위로 화상을 스캔하고, 블록 단위로 적응을 적용함으로써 수행된다.
예를 들어 맑고 푸른 하늘이있는 풍경이 있고 세부 사항이 많은 나무 (가지, 잎 등)가있는 경우 하늘보다 나뭇 가지에 덜 매끄럽게 적용됩니다.
그러나 그라디언트를 추정하는 방법에는 여러 가지가 있는데, 그 중 어느 것도 완벽한 것은 아니며 모든 크기의 창은 모든 그림에 이상적입니다. 따라서 적응 알고리즘 간에도 상당한 차이가 생길 수 있습니다.
이 사이트 ( 이미지 확대 방법 비교)는 다른 보간 방법을 비교하는 데 효과적입니다. 또한 도구 ( SAR Image Processor, 버전 4.3 )를 다운로드하면 실제로 품질의 차이를 측정 할 수 있습니다.
좋은 가이드 인 것처럼 보이지만 어떤 알고리즘이 어떤 유형의 이미지에 적합한 지에 대한 질문에는 대답하지 않습니다.
다음은 다양한 보간 알고리즘에 대한 테스트 결과의 추출입니다. 다이어그램 저작권 general-cathexis.com .