درون یابی دوربین در گوشی چیست و چه کاربردی دارد؟ تغییر وضوح با درون یابی تصویر

تغییر وضوح با درون یابی تصویر

سخنرانی: فتوشاپ CS5 برای طراح و عکاس

Adobe Photoshop CS5- آخرین نسخهویرایشگر گرافیکی افسانه ای همین ترجمه نام برنامه "فتوشاپ" نشان می دهد که این برنامه برای عکاسان است. نرم افزار Adobe Photoshop® CS5، مطابق با استانداردهای جهانی است، به شما امکان می دهد ایجاد کنید تصاویر حرفه ایبر بالاترین سطح. که در نسخه جدیدشما می توانید تصاویر واقعی را نقاشی کنید، به سرعت تصاویر HDR خیره کننده ایجاد کنید، نویز را حذف کنید، دانه ها را اضافه کنید و با پیشرفته ترین ابزارهای ویرایش عکس، وینیتینگ را تنظیم کنید. در سخنرانی ها، ما عمیقاً در تئوری گرافیک رایانه ای نخواهیم کرد، بلکه بر روی تمرین کار با تصاویر عکاسی تمرکز خواهیم کرد.

مفاهیم اولیه گرافیک کامپیوتری

برای کار با ادوبی فتوشاپ نه به صورت مکانیکی، بلکه با درک عملکرد آنها، کاربر باید درک کلی (پایه) از ویژگی های تصاویر دیجیتال داشته باشد. این فصل به ویژگی ها اختصاص دارد بیت مپ هاکه کیفیت آن را تعیین می کند. واقعیت این است که هر تصویر دیجیتالی در رایانه با مجموعه ای از پارامترهای آن مانند اندازه، وضوح، فرمت و نوع مدل رنگ مشخص می شود. پارامترهای ذکر شده کیفیت تصویر شطرنجی و همچنین اندازه (وزن) فایل گرافیکی را تعیین می کنند.

وضوح تصویر

تصاویر شطرنجی از مجموعه ای از عناصر کوچک به نام پیکسل تشکیل شده اند. پیکسل بلوک اصلی ساختمان تصاویر شطرنجی است و واحد پذیرفته شده در آن است گرافیک کامپیوتریهمانطور که متر، کیلوگرم و لیتر برای اندازه گیری در زندگی روزمره پذیرفته شده است.

تعداد پیکسل های یک تصویر وضوح آن را تعیین می کند. پیکسل ها اغلب نقطه نامیده می شوند، سپس وضوح بر حسب dpi (نقطه در اینچ)، یعنی تعداد نقاط در اینچ اندازه گیری می شود.

توجه داشته باشید

که در ادبیات رایانه ایدر شرایط سردرگمی وجود دارد و برخی از نویسندگان وضوح مانیتورها را بر حسب dpi (نقطه در هر اینچ)، اسکنرها بر حسب ppi (پیکسل در هر اینچ) - پیکسل در هر اینچ، و چاپگرها بر حسب lpi (خط در هر اینچ) - خطوط در اینچ اندازه‌گیری می‌کنند. سایر نویسندگان کتاب ها وضوح هر تصویر را صرف نظر از روش به دست آوردن آن، تنها در dpi می سنجند.

اگر در مورد آن فکر کنید، مشخص می شود که هر چه وضوح تصویر بالاتر باشد، تعداد پیکسل های تصویر بیشتر می شود مقدار زیادجزئیات (یعنی کیفیت) چنین تصویری مشخص می شود. از طرف دیگر وضوح تصویر بالاتر ارتباط مستقیمی با آن دارد سایز بزرگچنین فایل تصویری بنابراین، تعیین مقدار وضوح بستگی به اهداف و اهداف هنرمند کامپیوتر دارد و برای یک کار خاص متفاوت خواهد بود. به عنوان مثال، طراحان وب معمولاً با تصاویر 72-96 dpi کار می کنند، در حالی که چاپگرها وضوح تصویر 300 dpi یا بالاتر را ترجیح می دهند (شکل 1.1).

برنج. 1.1.تصویر با وضوح بالا در سمت چپ (فایل ۹۷۷ کیلوبایت) و تصویر با وضوح پایین در سمت راست (فایل ۴۱ کیلوبایت)

عمق رنگ

که در تصاویر سیاه و سفیدسطوح روشنایی به صورت سایه نمایش داده می شود رنگ خاکستریو در تصاویر رنگی این سطوح به صورت تن رنگ های مختلف ظاهر می شوند. در عین حال بدیهی است که عکاسی سیاه و سفیدنسبت به عکس رنگی کیفیت پایین تری دارد. به عبارت دیگر، هر چه سایه های رنگ در تصویر بیشتر باشد، وضوح روشنایی (رنگی) آن که عمق رنگ نامیده می شود، بیشتر می شود. بیشترسطوح روشنایی (رنگ ها) حاوی چنین فایل تصویری خواهد بود.

ترم جدید

عمق رنگ تعداد درجه‌بندی‌های بازتولید شده روشنایی یک پیکسل در تصاویر سیاه و سفید و تعداد رنگ‌های نمایش داده شده در یک تصویر رنگی را مشخص می‌کند.

برای مثال در شکل. شکل 1.2 همان تصویر را نشان می دهد، اما با عمق رنگ های مختلف: دو رنگ در بالا، و 256 سایه خاکستری در پایین. این تصویر به وضوح نشان می دهد که هر چه تعداد درجه بندی های بازتولید شده روشنایی پیکسل در تصاویر سیاه و سفید (و تعداد رنگ های نمایش داده شده در یک تصویر رنگی) بیشتر باشد، کیفیت تصویر بیت مپ بالاتر است.

برنج. 1.2.تصویر یکسان اما عمق رنگ متفاوت

از نظر عمق رنگ، بیت مپ ها را می توان به چند نوع تقسیم کرد:

برای یک تصویر سیاه و سفید تک رنگ (سیاه و سفید)، تنها دو نوع سلول استفاده می شود: سیاه و سفید. بنابراین برای ذخیره هر پیکسل تنها 1 بیت حافظه کامپیوتر لازم است. چنین تصاویری اغلب به عنوان تصاویر 1 بیتی شناخته می شوند. بر این اساس وضوح رنگ آنها برابر با 1 بیت/پیکسل خواهد بود.

در نوع دیگری از بیت مپ به نام مقیاس خاکستری (Grayscale) تا 8 بیت اطلاعات به ازای هر پیکسل تخصیص داده می شود. این به شما امکان می دهد با ترکیبی از 256 درجه روشنایی کار کنید و طیف وسیعی از سایه های خاکستری از سیاه تا سفید را پوشش می دهد. نمونه ای از مقیاس خاکستری ده مرحله ای در شکل نشان داده شده است. 1.3.

برنج. 1.3.ده سایه خاکستری - از سفید (100٪) تا سیاه (0٪)

برای کار با تصاویری که شرح آنها نیاز به وضوح رنگ بالایی دارد، از مدل های رنگی RGB، Lab و CMYK استفاده می شود. در مورد فرمت RGB، رنگ هر پیکسل با ترکیب سه رنگ قرمز، سبز و آبی تعیین می شود. بسته به هدف، تصویر می تواند دارای وضوح رنگ 16 بیتی، 24 بیتی یا 32 بیتی (عمق رنگ) باشد.

در CMYK رنگ هر پیکسل با استفاده از چهار کانال رنگی فیروزه ای، سرخابی، زرد و مشکی شکل می گیرد. با توجه به وجود یک کانال اضافی، رنگ مدل CMYKحاوی تقریباً 25 درصد اطلاعات بیشتر از یک تصویر RGB.

تغییر وضوح با درون یابی تصویر

در صورت اجازه تصویر دیجیتال، به دست آمده با استفاده از ماتریس اسکنر (یا دوربین دیجیتال) با تعداد عناصر حساس به نور اسکنر (یا دوربین) مطابقت دارد، سپس آنها از وضوح واقعی (سخت افزاری یا فیزیکی) صحبت می کنند. با این حال، هم در تجهیزات دیجیتالی کردن تصاویر و هم در برنامه های گرافیکیمی توان از عملیات درون یابی (Resampling) یعنی تغییر رزولوشن که قابل پیاده سازی است استفاده کرد. راه های مختلف. به عنوان مثال، در برنامه Adobeفتوشاپ (شکل 1.4) سه روش درون یابی را پیاده سازی می کند - همسایه، دو خطی و دو مکعبی.

برنج. 1.4.روش های درون یابی تصاویر در ادوبی فتوشاپ

هنگام درون یابی توسط همسایگان (نزدیکترین همسایه)، برای پیکسل اضافه شده توسط برنامه، مقدار پیکسل مجاور آن گرفته می شود. یعنی اگر پیکسل مجاور قرمز باشد، برنامه با افزودن یک پیکسل قرمز وضوح تصویر را افزایش می دهد.

در مورد درون یابی دو خطی (Bilinear). ویرایشگر گرافیکیمیانگین مقدار رنگ پیکسل‌های هر طرف پیکسل جدید را می‌گیرد. به عنوان مثال، صورتی بین قرمز و سفید ظاهر می شود.

درون یابی دو مکعبی (دو مکعبی) مقدار یک گروه نه تنها مستقیماً مجاور بلکه همه پیکسل های همسایه را میانگین می دهد. چه محدوده ای از پیکسل ها برای میانگین گیری انتخاب می شود و با چه الگوریتمی این میانگین گیری رخ می دهد - این تفاوت بین روش های درون یابی دو مکعبی است. در تصویر بالا، سه گزینه برای درون یابی دو مکعبی در Adobe Photoshop مشاهده می کنیم.

توجه داشته باشید

وضوح تصویر به دست آمده با استفاده از درون یابی نرم افزاری همیشه بدتر از وضوح واقعی (فیزیکی) است، زیرا افزودن مصنوعی پیکسل ها کیفیت تصویر را کاهش می دهد (جزئیات ظریف آن از بین می رود). به عبارت دیگر، هر چه تصویر بیشتر دگرگون شود، بیشتر از بین می رود.

تابع تغییر اندازه تصویر ارائه شده توسط Emgu (پوشش .net برای OpenCV) می تواند از هر یک از چهار روش درونیابی استفاده کند:

CV_INTER_NN (پیش‌فرض)
CV_INTER_LINEAR
CV_INTER_CUBIC
CV_INTER_AREA

من تقریباً درون یابی خطی را درک می کنم، اما فقط می توانم حدس بزنم که یک مکعب یا ناحیه چیست. من گمان می کنم که NN مخفف نزدیکترین همسایه است، اما ممکن است اشتباه کنم.

دلیل تغییر اندازه تصویر این است که تعداد پیکسل ها را کاهش دهم (آنها در نقطه ای تکرار می شوند) در حالی که آنها را نماینده نگه می دارم. من این را ذکر می کنم زیرا به نظر من درون یابی برای این هدف مرکزی است - از این رو نوع صحیحباید بسیار مهم باشد

سوال من این است که مزایا و معایب هر روش درون یابی چیست؟ چه تفاوتی با هم دارند و از کدام یک استفاده کنم؟

4 پاسخ

نزدیکترین همسایه تا حد امکان سریع خواهد بود، اما هنگام تغییر اندازه اطلاعات ضروری را از دست خواهید داد.

درون یابی خطی سرعت کمتری دارد، اما اطلاعات را از دست نمی دهد مگر اینکه تصویر را کوچک کنید (که هستید).

درون یابی مکعبی (احتمالاً در واقع "دو مکعبی") از یکی از بسیاری از فرمول های ممکن استفاده می کند که شامل چندین پیکسل مجاور است. این برای کاهش تصاویر بسیار بهتر است، اما شما هنوز در میزان کاهش بدون از دست دادن اطلاعات محدود هستید. بسته به الگوریتم، می توانید تصاویر خود را 50٪ یا 75٪ کاهش دهید. مزیت اصلی این رویکرد این است که بسیار کندتر است.

مطمئن نیستم "منطقه" چیست - در واقع می تواند "Bicubic" باشد. به احتمال زیاد، این گزینه بهترین نتیجه را (از نظر از دست دادن اطلاعات / ظاهر) به همراه خواهد داشت، اما با هزینه طولانی ترین زمان پردازش.

روش درون یابی مورد استفاده بستگی به این دارد که شما در حال تلاش برای رسیدن به آن هستید:

CV_INTER_LINEARیا CV_INTER_CUBICاز یک فیلتر پایین گذر (متوسط) برای دستیابی به تعادل بین کیفیت بصری و حذف لبه استفاده می کند (فیلترهای کم گذر تمایل به حذف لبه ها به منظور کاهش همخوانی تصویر دارند). بین این دو، من به شما توصیه می کنم CV_INTER_CUBIC.

روش CV_INTER_NNدر واقع نزدیکترین همسایه است، این ابتدایی ترین روش است و لبه های تیزتری خواهید داشت (هیچ فیلتر پایین گذر اعمال نخواهد شد). با این حال، این روش درست مانند "مقیاس بندی" تصویر است، بدون افزایش بصری.

الگوریتم ها: (توضیحات از اسناد OpenCV)

INTER_NEAREST - نزدیکترین همسایه الحاق
INTER_LINEAR - درون یابی دوخطی (به طور پیش فرض استفاده می شود)
INTER_AREA - نمونه برداری مجدد با استفاده از نسبت مساحت پیکسل. این ممکن است روش ارجح برای از بین بردن تصویر باشد زیرا نتایجی بدون مویر ایجاد می کند. اما هنگامی که تصویر مقیاس بندی می شود، مانند روش INTER_NEAREST است.
INTER_CUBIC - درون یابی دو مکعبی روی یک محله پیکسلی 4×4.
INTER_LANCZOS4 - درون یابی Lanczos در محله 8x8 پیکسل

اگر می خواهید سرعت را افزایش دهید از روش Nearest Neighbor استفاده کنید.

درون یابی تصویر در همه اتفاق می افتد عکس های دیجیتالدر یک مرحله خاص، خواه از بین بردن یا مقیاس بندی. هر زمان که یک تصویر را تغییر اندازه دهید یا از یک شبکه پیکسل به شبکه دیگر باز کنید، این اتفاق می افتد. تغییر اندازه تصویر زمانی لازم است که شما نیاز به افزایش یا کاهش تعداد پیکسل ها دارید، در حالی که تغییر موقعیت حداکثر می تواند رخ دهد. مناسبت های مختلف: تصحیح اعوجاج لنز، تغییر پرسپکتیو، یا چرخش تصویر.

حتی اگر اندازه یک تصویر تغییر کند یا دوباره اسکن شود، نتایج بسته به الگوریتم درون یابی می تواند به طور قابل توجهی متفاوت باشد. از آنجا که هر درون یابی فقط یک تقریب است، هر زمان که تصویر درون یابی شود، کیفیت خود را از دست می دهد. این فصل در نظر گرفته شده است تا درک بهتری از آنچه بر نتیجه تأثیر می‌گذارد ارائه دهد - و در نتیجه به شما کمک کند تا هرگونه کاهش کیفیت تصویر ناشی از درون یابی را به حداقل برسانید.

مفهوم

ماهیت درون یابی استفاده از داده های موجود برای به دست آوردن مقادیر مورد انتظار در نقاط ناشناخته است. برای مثال، اگر می‌خواهید بدانید دما در ظهر چقدر است، اما آن را در ساعت 11 اندازه‌گیری کرده‌اید، می‌توانید با اعمال درون یابی خطی مقدار آن را حدس بزنید:

اگر یک بعد اضافی در ساعت دوازده و نیم داشتید، ممکن است متوجه شوید که دما قبل از ظهر سریعتر افزایش یافته است و از آن بعد اضافی برای درونیابی درجه دوم استفاده کنید:

هرچه اندازه گیری دما در حوالی ظهر بیشتر باشد، الگوریتم درون یابی شما پیچیده تر (و انتظار می رود دقیق تر) باشد.

نمونه ای از تغییر اندازه یک تصویر

درون یابی تصویر به صورت دو بعدی کار می کند و سعی می کند بهترین تقریب را در رنگ و روشنایی یک پیکسل بر اساس مقادیر پیکسل های اطراف به دست آورد. مثال زیر نحوه عملکرد مقیاس بندی را نشان می دهد:

	درونیابی مسطح

اصل		قبل از	بعد از	بدون درون یابی

برخلاف نوسانات دمای هوا و گرادیان ایده آل در بالا، مقادیر پیکسل می توانند از نقطه ای به نقطه دیگر به طرز چشمگیری تغییر کنند. مانند مثال دما، هرچه بیشتر در مورد پیکسل های اطراف بدانید، درون یابی بهتر عمل خواهد کرد. به همین دلیل است که با کشیده شدن تصویر، نتایج به سرعت کاهش می‌یابد، و علاوه بر این، درون یابی هرگز نمی‌تواند جزئیاتی را به تصویر اضافه کند که ندارد.

مثال چرخش تصویر

درون یابی نیز هر بار که پرسپکتیو یک تصویر را می چرخانید یا تغییر می دهید، اتفاق می افتد. مثال قبلی گمراه کننده بود زیرا آن را داشت مورد خاص، جایی که interpolators معمولا به خوبی کار می کنند. مثال زیر نشان می دهد که با چه سرعتی می توان جزئیات تصویر را از دست داد:

		تخریب تصویر

اصل	چرخش 45 درجه	چرخش 90 درجه (بدون از دست دادن)	2 پیچ 45 درجه	6 دور در 15 درجه

چرخش 90 درجه باعث از دست دادن نمی شود، زیرا نیازی به قرار دادن هیچ پیکسلی در مرز بین دو (و در نتیجه تقسیم) نیست. توجه کنید که در اولین چرخش چقدر از جزئیات از بین می رود و چگونه کیفیت در چرخش های بعدی کاهش می یابد. این به این معنی است که باید تا حد امکان از چرخش خودداری کنید; اگر یک قاب ناهموار نیاز به چرخش دارد، آن را بیش از یک بار نچرخانید.

نتایج فوق از الگوریتم موسوم به "دو مکعبی" استفاده می کند و کاهش قابل توجهی در کیفیت را نشان می دهد. توجه کنید که چگونه کنتراست کلی به دلیل کاهش شدت رنگ کاهش می یابد، چگونه هاله های تیره در اطراف آبی روشن ظاهر می شوند. بسته به الگوریتم درون یابی و موضوعی که به تصویر کشیده می شود، نتایج می توانند به طور قابل توجهی بهتر باشند.

انواع الگوریتم های درون یابی

الگوریتم های درون یابی پذیرفته شده را می توان به دو دسته تقسیم کرد: تطبیقی و غیر تطبیقی. روش های تطبیقی بسته به موضوع درون یابی (لبه های سخت، بافت صاف) متفاوت است، در حالی که روش های غیر تطبیقی با تمام پیکسل ها به طور یکسان رفتار می کنند.

الگوریتم های غیر تطبیقیشامل: نزدیکترین همسایه، دو خطی، دو مکعبی، اسپلاین، سینوس کاردینال (سینک)، روش لانچوس و موارد دیگر. بسته به پیچیدگی، آنها از 0 تا 256 (یا بیشتر) پیکسل مجاور برای درون یابی استفاده می کنند. هرچه پیکسل‌های مجاور بیشتری داشته باشند، می‌توانند دقیق‌تر باشند، اما این به قیمت افزایش قابل توجه زمان پردازش تمام می‌شود. این الگوریتم ها را می توان هم برای باز کردن و هم برای مقیاس بندی تصویر استفاده کرد.

الگوریتم های تطبیقیشامل بسیاری از الگوریتم های تجاری در برنامه های دارای مجوز مانند Qimage، PhotoZoom Pro، Genuine Fractals و غیره است. بسیاری از آنها اعمال می شوند نسخه های مختلفالگوریتم های آنها (بر اساس تجزیه و تحلیل پیکسل به پیکسل) هنگامی که وجود یک مرز را تشخیص می دهند - به منظور به حداقل رساندن نقص های نامطلوب درون یابی در مکان هایی که بیشتر قابل مشاهده هستند. این الگوریتم‌ها اساساً برای به حداکثر رساندن جزئیات بدون نقص در تصاویر بزرگ‌شده طراحی شده‌اند، بنابراین برخی از آنها برای چرخش یا تغییر پرسپکتیو تصویر مناسب نیستند.

روش نزدیکترین همسایه

این اساسی ترین الگوریتم درون یابی است و به کمترین زمان پردازش نیاز دارد، زیرا تنها یک پیکسل را در نظر می گیرد - نزدیک ترین پیکسل به نقطه درون یابی. در نتیجه هر پیکسل بزرگتر می شود.

درون یابی دو خطی

درون یابی دوخطی مربع 2x2 از پیکسل های شناخته شده را در اطراف یک ناشناخته در نظر می گیرد. میانگین وزنی این چهار پیکسل به عنوان مقدار درون یابی استفاده می شود. در نتیجه، تصاویر بسیار نرمتر از نتیجه روش نزدیکترین همسایه به نظر می رسند.

نمودار سمت چپ برای حالتی است که تمام پیکسل های شناخته شده برابر هستند، بنابراین مقدار درون یابی شده به سادگی مجموع آنها تقسیم بر 4 است.

درون یابی دو مکعبی

درون یابی دو مکعبی با در نظر گرفتن آرایه ای از پیکسل های اطراف 4x4 - در مجموع 16 - یک گام فراتر از دوخطی است. فواصل مختلفاز یک پیکسل ناشناخته، به نزدیکترین پیکسل ها وزن بیشتری در محاسبه داده می شود. درون یابی دو مکعبی تصاویر بسیار واضح تری نسبت به دو روش قبلی تولید می کند و مسلماً از نظر زمان پردازش و کیفیت خروجی بهترین است. به همین دلیل، این استاندارد برای بسیاری از برنامه های ویرایش تصویر (از جمله Adobe Photoshop)، درایورهای چاپگر، و درون یابی داخلی دوربین تبدیل شده است.

درون یابی مرتبه بالاتر: اسپلاین و سینک

بسیاری از درون‌یابی‌های دیگر وجود دارند که پیکسل‌های اطراف را بیشتر در نظر می‌گیرند و بنابراین از نظر محاسباتی فشرده‌تر هستند. این الگوریتم ها شامل اسپلاین ها و سینوس کاردینال (سینک) هستند و بیشتر اطلاعات تصویر را پس از درون یابی حفظ می کنند. در نتیجه، زمانی که یک تصویر نیاز به چرخش های متعدد یا تغییر پرسپکتیو در یک مرحله دارد، بسیار مفید هستند. با این حال، برای افزایش‌ها یا چرخش‌های منفرد، چنین الگوریتم‌های مرتبه‌ای کمی ارائه می‌دهند بهبود بصریبا افزایش قابل توجه زمان پردازش. علاوه بر این، در برخی موارد، الگوریتم سینوس کاردینال در یک مقطع صاف بدتر از درون یابی دو مکعبی عمل می کند.

عیوب درونیابی مشاهده شده

همه درون‌یابی‌های غیرتطبیقی سعی می‌کنند تعادل بهینه را بین سه عیب ناخواسته پیدا کنند: هاله لبه، تاری و الایاسینگ.

حتی توسعه‌یافته‌ترین درون‌یابی‌های غیرتطبیقی همیشه مجبور هستند یکی از نقص‌های فوق را به قیمت دو مورد دیگر افزایش یا کاهش دهند - در نتیجه حداقل یکی از آنها قابل توجه خواهد بود. توجه کنید که چگونه هاله لبه شبیه لکه ای است که در اثر تیز کردن با یک ماسک بدون تیز ایجاد می شود و چگونه وضوح ظاهری را از طریق تیز کردن افزایش می دهد.

درون یاب‌های تطبیقی ممکن است نقص‌هایی را که در بالا توضیح داده شد ایجاد کنند یا نکنند، اما همچنین می‌توانند بافت‌هایی ایجاد کنند که برای تصویر اصلی یا پیکسل‌های منفرد در مقیاس‌های بزرگ غیرمعمول هستند:

از سوی دیگر، برخی از "نقص" درون یاب های تطبیقی را نیز می توان به عنوان مزیت در نظر گرفت. از آنجایی که چشم انتظار دارد نواحی با بافت ریز مانند شاخ و برگ تا کوچکترین جزئیات دقیق باشد، چنین الگوهایی می توانند چشم را در فاصله دور (برای انواع خاصی از مواد) فریب دهند.

صاف کردن

Anti-aliasing یا anti-aliasing فرآیندی است که سعی می‌کند ظاهر حاشیه‌های مورب ناهموار یا ناهموار را به حداقل برساند که به متن یا تصاویر ظاهر دیجیتالی خشن می‌دهد:

	300%

Anti-aliasing این مراحل را حذف می‌کند و لبه‌های نرم‌تر و وضوح بالاتر را القا می‌کند. میزان همپوشانی حاشیه ایده آل با پیکسل های مجاور را در نظر می گیرد. حاشیه پلکانی به سادگی بدون گرد به بالا یا پایین است مقدار متوسط، در حالی که مرز ضد نام مستعار یک مقدار تولید می کند، متناسب با آن، چه مقدار از حاشیه وارد هر پیکسل شده است:

یکی از نکات مهم در بزرگنمایی تصاویر، جلوگیری از الایاس بیش از حد ناشی از درون یابی است. بسیاری از interpolators تطبیقی وجود لبه ها را تشخیص می دهند و تنظیم می کنند تا در عین حال وضوح لبه را حفظ کنند. از آنجایی که مرز هموار شده حاوی اطلاعاتی در مورد موقعیت آن در بیشتر است کیفیت بالا، کاملاً ممکن است که یک درون یاب قدرتمند تطبیقی (مرزهای تعیین کننده) بتواند حداقل تا حدی مرز را با بزرگنمایی بازسازی کند.

زوم اپتیکال و دیجیتال

بسیاری جمع و جور دوربین های دیجیتالمی تواند هر دو زوم اپتیکال و دیجیتال (زوم) را انجام دهد. زوم اپتیکال با حرکت دادن لنز زوم به دست می آید تا نور قبل از برخورد با سنسور دیجیتال تقویت شود. در مقابل، زوم دیجیتال با درون یابی تصویر پس از دریافت توسط سنسور، کیفیت را کاهش می دهد.


زوم اپتیکال (10x)		زوم دیجیتال (10x)

حتی اگر عکسی که از زوم دیجیتال استفاده می کند دارای همان تعداد پیکسل است، به وضوح جزئیات کمتری نسبت به زوم اپتیکال دارد. زوم دیجیتال باید تقریباً به طور کامل حذف شود، به جز زمانی که به نمایش یک شیء دور در صفحه LCD دوربین شما کمک می کند. از سوی دیگر، اگر معمولاً با فرمت JPEG عکاسی می‌کنید و می‌خواهید پس از آن تصویر را برش داده و بزرگ کنید، زوم دیجیتال این مزیت را دارد که قبل از معرفی آرتیفکت‌های فشرده‌سازی درون‌یابی می‌شود. اگر متوجه شدید که اغلب به زوم دیجیتال نیاز دارید، یک مبدل از راه دور یا بهتر است یک لنز با فاصله کانونی بیشتر بخرید.

فتوشاپ برای افزایش یا کاهش اندازه یک تصویر از روش Interpolation استفاده می کند. بنابراین، برای مثال، هنگامی که روی یک تصویر زوم می کنید، فتوشاپ پیکسل های اضافی را بر اساس مقادیر همسایه ایجاد می کند. به طور کلی، اگر یک پیکسل سیاه و دیگری سفید باشد، فتوشاپ مقدار متوسط را محاسبه کرده و یک پیکسل خاکستری جدید ایجاد می کند. برخی از انواع درون یابی سریع و بی کیفیت هستند، برخی دیگر پیچیده تر هستند، اما به نتایج خوبی می رسند.

ابتدا به منوی اصلی می رویم تصویر - اندازه تصویر (تصویر - اندازه تصویر)یا Alt+Ctrl+I.

اگر روی فلش کنار پارامتر کلیک کنید نمونه گیری مجدد (تصویر نمونه مجدد)، سپس چندین گزینه درون یابی در پنجره پاپ آپ ظاهر می شود:

خودکار. اپلیکیشن فتوشاپیک روش نمونه‌گیری مجدد را بر اساس نوع سند و اینکه آیا آن را کوچک یا بزرگ می‌کند انتخاب می‌کند.
حفظ جزئیات (بزرگ شدن). هنگامی که این روش انتخاب می شود، نوار لغزنده Noise Reduction برای صاف کردن نویز هنگام بزرگ شدن تصویر در دسترس می شود.
حفظ جزئیات 2.0. این الگوریتم بسیار می دهد نتیجه جالببزرگ شدن تصویر البته جزییات جزئی‌تر نمی‌شوند، اما جزئیاتی که بدون از دست دادن وضوح بسیار زیاد می‌شوند.
. روش خوببرای بزرگنمایی تصاویر بر اساس درون یابی دو مکعبی، که به طور خاص برای نتایج نرم تر طراحی شده است.
شارپر دو مکعبی (کاهش). یک روش خوب برای کاهش اندازه تصویر مبتنی بر درونیابی دو مکعبی شارپ است. این روش به شما امکان می دهد تا جزئیات تصویر نمونه برداری مجدد را حفظ کنید. اگر درون یابی "مقیاس دو مکعبی" باعث می شود برخی از قسمت های تصویر خیلی واضح باشد، سعی کنید از درون یابی دو مکعبی استفاده کنید.
دو مکعبی (شیب صاف). آهسته تر اما بیشتر روش دقیق، بر اساس تجزیه و تحلیل مقادیر رنگ پیکسل های اطراف. به دلیل استفاده از محاسبات پیچیده تر، درون یابی دو مکعبی انتقال رنگ نرم تری نسبت به درون یابی پیکسلی همسایه یا درون یابی دو خطی ایجاد می کند.
با پیکسل های همسایه (لبه های سخت) (نزدیک ترین همسایه (لبه های سخت)). یک روش سریع اما کمتر دقیق که پیکسل های یک تصویر را تکرار می کند. این روش لبه‌های واضح را حفظ می‌کند و در تصاویری که دارای لبه‌های ناهموار هستند، اندازه فایل کاهش می‌یابد. با این حال، این روش می‌تواند لبه‌های ناهموار ایجاد کند که وقتی تصویر را تغییر می‌دهید یا مقیاس می‌دهید، یا عملیات انتخاب زیادی انجام می‌دهید، قابل توجه می‌شوند.
دو خطی (دو خطی). این روش با محاسبه میانگین مقدار رنگ پیکسل های اطراف، پیکسل های جدیدی را اضافه می کند. این یک نتیجه با کیفیت متوسط می دهد.

مثال استفاده صاف کننده دو مکعبی (بزرگ شدن):

یک عکس در ابعاد 600 x 450 پیکسل با وضوح 72 dpi وجود دارد

ما باید آن را افزایش دهیم. پنجره ای را باز می کند اندازه تصویرو انتخاب کنید صاف کننده دو مکعبی (بزرگ شدن)، واحدهای اندازه گیری - درصد.

ابعاد سند بلافاصله روی 100٪ تنظیم می شود. در مرحله بعد به تدریج تصویر را افزایش می دهیم. مقدار را از 100% به 110% تغییر دهید. وقتی عرض را تغییر می دهید، ارتفاع به طور خودکار تنظیم می شود.

اکنون ابعاد آن در حال حاضر 660 در 495 پیکسل است. با تکرار این مراحل می توانید به موفقیت برسید نتایج خوب. البته، دستیابی به وضوح کامل برای ما بسیار دشوار خواهد بود، زیرا عکس کوچک و وضوح پایینی بود. اما به تغییرات پیکسل ها نگاه کنید.

به لطف روش درون یابی چقدر می توانیم عکس بسازیم؟ همه چیز به کیفیت عکس، نحوه گرفتن آن و برای چه هدفی آن را بزرگ می کنید بستگی دارد. بهترین پاسخ: آن را بگیرید و خودتان ببینید.

در درس بعدی می بینمت!

درون یابی تصویر در تمام عکس های دیجیتالی در برخی از مراحل رخ می دهد، اعم از این که در مرحله حذف یا مقیاس بندی باشد. هر زمان که یک تصویر را تغییر اندازه دهید یا از یک شبکه پیکسل به شبکه دیگر باز کنید، این اتفاق می افتد. تغییر اندازه تصویر زمانی لازم است که شما نیاز به افزایش یا کاهش تعداد پیکسل ها دارید، در حالی که تغییر موقعیت می تواند در موارد مختلفی رخ دهد: اصلاح اعوجاج لنز، تغییر پرسپکتیو یا چرخش تصویر.

مفهوم

هرچه اندازه گیری دما در حوالی ظهر بیشتر باشد، الگوریتم درون یابی شما پیچیده تر (و انتظار می رود دقیق تر) باشد.

نمونه ای از تغییر اندازه یک تصویر

اصل قبل از بعد بدون درون یابی

مثال چرخش تصویر

درون یابی نیز هر بار که پرسپکتیو یک تصویر را می چرخانید یا تغییر می دهید، اتفاق می افتد. مثال قبلی گمراه کننده بود زیرا این یک مورد خاص است که در آن interpolators معمولا به خوبی کار می کنند. مثال زیر نشان می دهد که با چه سرعتی می توان جزئیات تصویر را از دست داد:

چرخش اصلی 45 چرخش 90 (بدون افت) 2 چرخش 45 درجه 6 چرخش 15 درجه

چرخش 90 درجه باعث از دست دادن نمی شود، زیرا نیازی به قرار دادن هیچ پیکسلی در مرز بین دو (و در نتیجه تقسیم) نیست. توجه کنید که در اولین چرخش چقدر از جزئیات از بین می رود و چگونه کیفیت در چرخش های بعدی کاهش می یابد. این بدان معنی است که تا حد امکان باید از چرخش اجتناب شود. اگر یک قاب ناهموار نیاز به چرخش دارد، آن را بیش از یک بار نچرخانید.

انواع الگوریتم های درون یابی

الگوریتم‌های غیرتطبیقی عبارتند از: نزدیک‌ترین همسایه، دوخطی، دو مکعبی، اسپلاین، تابع سینوس کاردینال (سینک)، روش Lanczos و غیره. بسته به پیچیدگی، آنها از 0 تا 256 (یا بیشتر) پیکسل مجاور برای درون یابی استفاده می کنند. هرچه پیکسل‌های مجاور بیشتری داشته باشند، می‌توانند دقیق‌تر باشند، اما این به قیمت افزایش قابل توجه زمان پردازش تمام می‌شود. این الگوریتم ها را می توان هم برای باز کردن و هم برای مقیاس بندی تصویر استفاده کرد.

الگوریتم‌های تطبیقی شامل بسیاری از الگوریتم‌های تجاری در برنامه‌های دارای مجوز مانند Qimage، PhotoZoom Pro، Genuine Fractals و غیره هستند. بسیاری از آنها هنگام تشخیص وجود یک مرز، نسخه‌های متفاوتی از الگوریتم‌های خود را (بر اساس تحلیل پیکسل به پیکسل) اعمال می‌کنند تا نقص‌های درون یابی نامطلوب را در مکان‌هایی که بیشتر قابل مشاهده هستند به حداقل برسانند. این الگوریتم‌ها اساساً برای به حداکثر رساندن جزئیات بدون نقص در تصاویر بزرگ‌شده طراحی شده‌اند، بنابراین برخی از آنها برای چرخش یا تغییر پرسپکتیو تصویر مناسب نیستند.

روش نزدیکترین همسایه

درون یابی دو خطی

درون یابی دو مکعبی

درون یابی دو مکعبی با در نظر گرفتن آرایه ای از پیکسل های اطراف 4×4 - در مجموع 16 پیکسل یک گام جلوتر از دوخطی است. درون یابی دو مکعبی تصاویر بسیار واضح تری نسبت به دو روش قبلی تولید می کند و مسلماً از نظر زمان پردازش و کیفیت خروجی بهترین است. به همین دلیل، این استاندارد برای بسیاری از برنامه های ویرایش تصویر (از جمله Adobe Photoshop)، درایورهای چاپگر، و درون یابی داخلی دوربین تبدیل شده است.

درون یابی مرتبه بالاتر: اسپلاین و سینک

بسیاری از درون‌یابی‌های دیگر وجود دارند که پیکسل‌های اطراف را بیشتر در نظر می‌گیرند و بنابراین از نظر محاسباتی فشرده‌تر هستند. این الگوریتم ها شامل اسپلاین ها و سینوس کاردینال (سینک) هستند و بیشتر اطلاعات تصویر را پس از درون یابی حفظ می کنند. در نتیجه، زمانی که یک تصویر نیاز به چرخش های متعدد یا تغییر پرسپکتیو در یک مرحله دارد، بسیار مفید هستند. با این حال، برای زوم‌ها یا چرخش‌های تکی، چنین الگوریتم‌های مرتبه بالاتر با افزایش قابل توجه زمان پردازش، بهبود بصری کمی را ارائه می‌کنند. علاوه بر این، در برخی موارد، الگوریتم سینوس کاردینال در یک مقطع صاف بدتر از درون یابی دو مکعبی عمل می کند.

عیوب درونیابی مشاهده شده

هاله تاری aliasing اصلی

حتی توسعه‌یافته‌ترین درون‌یابی‌های غیرتطبیقی همیشه مجبور هستند یکی از نقص‌های فوق را به قیمت دو مورد دیگر افزایش یا کاهش دهند - در نتیجه حداقل یکی از آنها قابل توجه خواهد بود. توجه کنید که چگونه هاله لبه مانند یک نقص به نظر می رسد که با تیز کردن با ماسک غیرشارپ ایجاد شده است و چگونه وضوح ظاهری را از طریق تیز کردن افزایش می دهد.

متریال بافتی کوچک با بزرگنمایی 220 درصد

صاف کردن

Anti-aliasing این مراحل را حذف می‌کند و لبه‌های نرم‌تر و وضوح بالاتر را القا می‌کند. میزان همپوشانی حاشیه ایده آل با پیکسل های مجاور را در نظر می گیرد. یک حاشیه پلکانی به سادگی به سمت بالا یا پایین گرد شده و بدون مقدار میانی است، در حالی که یک مرز صاف مقداری متناسب با مقدار حاشیه در هر پیکسل تولید می کند:

یکی از نکات مهم در بزرگنمایی تصاویر، جلوگیری از الایاس بیش از حد ناشی از درون یابی است. بسیاری از interpolators تطبیقی وجود لبه ها را تشخیص می دهند و تنظیم می کنند تا در عین حال وضوح لبه را حفظ کنند. از آنجایی که لبه صاف شده حاوی اطلاعاتی در مورد موقعیت آن با وضوح بالاتر است، کاملاً ممکن است که یک درون یاب قدرتمند تطبیقی (تشخیص لبه) بتواند حداقل تا حدی لبه را با بزرگنمایی بازسازی کند.

زوم اپتیکال و دیجیتال

بسیاری از دوربین های دیجیتال فشرده می توانند هم زوم اپتیکال و هم زوم دیجیتال (زوم) را انجام دهند. زوم اپتیکال با حرکت دادن لنز زوم به دست می آید تا نور قبل از برخورد با سنسور دیجیتال تقویت شود. در مقابل، زوم دیجیتال با درون یابی تصویر پس از دریافت توسط سنسور، کیفیت را کاهش می دهد.

زوم اپتیکال (x10) زوم دیجیتال (x10)

حتی اگر عکسی که از زوم دیجیتال استفاده می کند دارای همان تعداد پیکسل است، به وضوح جزئیات کمتری نسبت به دوربین های زوم اپتیکال دارد. از سوی دیگر، اگر معمولاً با فرمت JPEG عکاسی می‌کنید و می‌خواهید پس از آن تصویر را برش داده و بزرگ کنید، زوم دیجیتال این مزیت را دارد که قبل از معرفی آرتیفکت‌های فشرده‌سازی درون‌یابی می‌شود. اگر متوجه شدید که اغلب به زوم دیجیتال نیاز دارید، یک مبدل از راه دور یا بهتر است یک لنز با فاصله کانونی بیشتر بخرید.