답변:
먼저, 이미지 확대는 픽셀을 고정 된 양만큼 이동시키고 이전에 인접한 픽셀 사이의 공간을 유사한 내용으로 채우는 것을 포함합니다. 이는 기본 픽셀 제작 (바이 큐빅 필터링) 또는 이미지를 벡터 표현으로 변환하고 벡터 공간의 스케일링과 같은보다 복잡한 수단을 통해 수행 할 수 있습니다.
이중 선형 필터링과 쌍 입방 필터링은 이미지를 확대 할 때 상대적으로 간단한 함수 곡선을 사용하여 인접한 픽셀의 색상을 혼합합니다. Bilinear는 선형 함수 곡선을 사용하는 반면 Bicubic은 3 차 스플라인 함수 곡선 (cspline)을 사용합니다. 쌍 입방 필터링은 일반적으로 더 부드러운 결과를 생성하지만, 두 알고리즘 모두 궁극적으로 이미지를 확대 할 때 "갭을 메우기"위해 함수 곡선을 통해 인접 픽셀의 값을 혼합합니다. 바이 큐빅 스케일링은 원래 픽셀 사이의 공간 만이 실제로 생성된다는 점에서 일반적으로 무손실이다. 특정 구현의 미묘한 차이에 따라 원본 픽셀이 약간 변경 될 수 있지만 대부분의 경우 원본 데이터가 보존되고 이미지가 확대 될 때 채워지도록 새 데이터가 제작됩니다.
이미지 스케일링에 대한 프랙탈 접근법은 완전히 다른 접근법을 취합니다. 이미지의 내용을 분석하고 가장자리와 "객체"를 식별하고 궁극적으로 이미지를 프랙탈 벡터 형식으로 변환하기 위해 더 복잡한 알고리즘이 사용됩니다. 이미지가 벡터화되면 벡터 공간에서 "무손실"크기를 조정 한 다음 더 큰 크기로 다시 렌더링 할 수 있습니다. Genuine Fractals와 같은 프랙탈 알고리즘은 프랙탈 벡터 알고리즘을 사용하여 이미지의 크기를 매끄럽고 선명하게 유지합니다. 이 방법은 이미지가 처음에 선명하고 인식 가능한 가장자리를 핵심 요소로 인식하고 해당 가장자리의 선명도를 유지하는 것이 중요 할 때 유용합니다.
또한 Genuine Fractals는 "자체 유사성"이라는 개념을 통해 비 가장자리 디테일을 유지하려고 시도하고, 이미지 콘텐츠를 사실상 프랙탈로 간주하여 디테일을 보존하고, 프랙탈 알고리즘에서 비 가장자리 콘텐츠를 다시 렌더링합니다. 이는 단순히 인접 픽셀로부터 정보를 제조하는 것이 아니라, 많은 픽셀로 구성된 패턴으로부터 새로운 컨텐츠를 생성 할 수있는 것으로 추정된다. 이 방법은 약 200 %까지 확장 할 때 효과적 일 수 있지만, 더 큰 크기로 확장 할 때는 기본 크기 조정의 기본 특성이 더 분명해집니다. 이 스케일링 방법은 무손실이 아니며 알고리즘이 프랙탈 을 찾으려고 할 때 미세한 픽셀 디테일이 버려 질 수 있습니다.복제 할 수있는 패턴. 급격한 업 스케일링은 가시적 인 패턴 복제를 초래할 수 있으며 모든 이미지 크기에서 부드럽고 선명한 에지를 유지하기 위해 미세한 디테일이 지워질 수 있습니다.
BenVista는 또한 S-Spline이라는 독점 알고리즘을 제공합니다. 이 알고리즘의 특성에 대한 정보는 거의 없지만 다른 함수 곡선 기반 알고리즘처럼 보입니다. Genuine Fractals와 마찬가지로 PhotoZoom Pro의 S-Spline Max 스케일링은 가장자리 정의를 유지하는 데 탁월합니다. 이 알고리즘은 약 200 % 정도 확장 할 수 있지만이 알고리즘을 훨씬 더 멀리 밀어 내면 가장자리가 아닌 디테일의 저하 및 스무딩이 눈에 results니다. 스케일링 알고리즘의 일반적인 타협은 최대 에지 정의 또는 최대 세부 보존입니다. Genuine Fractals 및 BenVista PhotoZoom Pro를 포함한 대부분의 타사 스케일링 알고리즘은 기본적으로 최종 이미지에 선명하지 않은 마스크를 자동으로 적용합니다.
바이 큐빅을 반복적 인 방식으로 사용할 수 있습니다. 바이 큐빅 스케일링의 기본 요점은 궁극적 인 선명도의 비용으로 스케일이 클수록 더 많은 정보를 제작한다는 것입니다. 3-5 % 단위로 쌍 입방 스케일링을 수행하면 훨씬 더 독창적이거나 거의 독창적 인 디테일을 보존하고 각 단계에서 훨씬 적은 이미지를 제작할 수 있습니다. 반복적 (또는 단계적) 바이 큐빅 스케일링의 최종 결과는 미세한 디테일을 잃지 않으면 서 훨씬 더 큰 에지 정의를 유지할 수 있습니다. 그러나 현재로서는이를 위해 수행 할 사전 제작 된 응용 프로그램이 없으므로 비용은 확장에 대한 개인 투자가 훨씬 더 큽니다. 이전 너비 나 높이에 배율을 곱한 다음 이미지 편집 프로그램에 해당 숫자를 연결하여 각 단계에서 이미지의 새 너비와 높이를 수동으로 계산해야합니다. ' 바이 큐빅 스케일링 도구. 최종 결과는 탁월하고 언샵 마스킹이있는 2 차 이미지만큼 선명 할 수 있습니다. 눈에 띄는 손상없이 이미지를 얼마나 크게 확대 할 수 있는지에 대한 한계는 다른 알고리즘보다 400 % 이상 더 큽니다.