나는( m , n )m,nm′,n′
I~(m′,n′)=∑m=⌊m′⌋−w+1⌊m′⌋+w ∑n=⌊n′⌋−w+1⌊n′⌋+wI(m,n) f(m′−m,n′−n)
I~I(x,y)
f(m,n)
시간적 신호에 대한 윈도우 기능과 마찬가지로 이미지 보간 커널이 주파수 응답을 보면 어떤 일을 하는지를 쉽게 알 수 있습니다. 에서 윈도우 기능에 대한 내 대답 :
윈도우 기능을 설명하는 두 가지 주요 요소는 다음과 같습니다.
- 메인 로브의 폭 (즉, 주파수 빈이 최대 응답 전력의 절반 임)
- 사이드 로브의 감쇠 (즉, 메인 로브에서 사이드 로브가 얼마나 떨어져 있는지). 이 창에서 스펙트럼 누출에 대해 알려줍니다.
이것은 보간 커널에서도 마찬가지입니다. 선택은 기본적으로 주파수 필터링 (사이드 로브의 감쇠), 공간적 국소화 (메인 로브의 폭) 및 울림 (Gibbs 효과), 앨리어싱, 블러 링 등과 같은 다른 효과 감소와 같은 절충입니다. 예를 들어, 진동이있는 커널 sinc 커널과 Lanczos4 커널은 이미지에서 "ringing" 을 발생시키는 반면 가우시안 리샘플링은 ringing을 발생시키지 않습니다.
Mathematica의 간단한 예는 다음과 같습니다. 다른 보간 함수의 효과를 볼 수 있습니다.
true = ExampleData[{"TestImage", "Lena"}];
resampling = {"Nearest", "Bilinear", "Biquadratic", "Bicubic",
"Gaussian", "Lanczos", "Cosine", "Hamming", "Hann", "Blackman",
"Bartlett", "Connes", "Welch", "Parzen", "Kaiser"};
small = ImageResize[true, Scaled[1/4]];
true
I(x,y)small
I(m,n)I(m,n)I~(m′,n′)
보간 함수마다 효과가 다릅니다. 가장 가까우며 일부는 매우 거친 기능을 가지고 있으며 들쭉날쭉 한 선을 볼 수 있습니다. 쌍 입방, 이차 및 파르 젠은 이것을 극복하지만 많은 흐릿함을 소개합니다. 모든 커널 중에서 Lanczos는 (시각적으로) 가장 매력적인 것으로 보이며 많은 것들을 가장 잘 수행하는 것으로 보입니다.
이 답변을 확장하고 시간이있을 때 차이점을 보여주는보다 직관적 인 예를 제공하려고합니다. 웹에서 찾은 매우 쉽고 유익한 기사 를 읽고 싶을 수도 있습니다 (PDF 경고).