что такое интерполяция изображения
Обрезка, изменение размера и интерполяция изображений в Photoshop Elements
Узнайте о различных способах изменения размера изображений в Photoshop Elements. Кроме того, ознакомьтесь со ссылками на подробные инструкции.
Обрезка
При обрезке изображения происходит удаление материала у краев для отображения меньшей области, часто для художественных целей.
Изменение размера, размеры печати, разрешение
Разрешение – это количество деталей на изображении. Оно измеряется по количеству точек (или пикселей) на дюйм (DPI). Для печати требуется более высокое разрешение, чем для просмотра фотографий на мониторе компьютера. Дополнительная информация об этом приводится по ссылке:
Изменение размера означает изменение размеров печати фотографии (длины и ширины). См.Словарь Photoshop Elements по визуальным компонентам: Изменение размера.
Интерполяция
Интерполяция означает изменение пиксельного размера изображения (путем добавления или удаления общего количества пикселей). Интерполяция предназначена главным образом для просмотра на экране компьютера. Интерполяция всегда приводит к ухудшению качества изображения. Интерполяция до меньших размеров уменьшает размер файла и повышает резкость внешнего представления. Интерполяция до больших размеров увеличивает размер файла и размывает внешнее представление.
Методы интерполяции, или Как не испортить картинку
Здравствуйте, сегодня поговорим о темной лошадке, которая может как улучшить, так и сделать печальной вашу работу в Фотошопе – это интерполяция изображений.
Интерполяция в Photoshop
Происходит она каждый раз, когда мы уменьшаем или увеличиваем изображение, а также поворачиваем или искажаем его.
Фотошоп использует метод интерполяции в отличие, к примеру, от иллюстратора, который работает по принципу математических вычислений с векторными картинками.
Смысл такой:
Допустим, вам нужно большую картинку 5000 х 5000 px уменьшить до 200 х 200 px. Так вот, при разных режимах интерполяции вы получите разный результат, как хуже так и лучше.
В фотошопе CS 3, 4, 5 существует 5 видов интерполяции:
По соседним пикселям:
Пожалуй, самый убогий в большинстве случаев метод, на него уходит минимум времени на обработку, а в результате получается минимум качества. Программа учитывает только 1 пиксель при обработке. Пример на картинке выше – отметка «А».
Билинейная:
Куда более лучший вариант, так как в этом случае используются 4 пикселя, из которых выводится 1 среднее значение.
Бикубическая:
Самая универсальная на данный момент интерполяция, использует 16 пикселей в своих вычислениях… Метод более ресурсозатратный, но на выходе получатся хорошее качество картинки.
Бикубическая интерполяция разделена на 3 типа, которые я уже перечислил.
На картинке выше: в пункте «Б» приведена бикубическая для уменьшения, а пункт «B» отвечает за увеличение. Как видно, второй вариант дал наилучший результат качества.
В заключение:
Мой совет такой – во время изменения размера картинки экспериментируйте с режимами интерполяции для выявления наилучшего результата или же выставьте автоматический режим, если вы обладатель Photoshop CS6.
Из опыта добавлю, к примерую для уменьшения иконки лучше использовать бикубическую для градиентов, нежели интерполяцию бикубическую для уменьшения.
Вот и все. Если у Вас были проблемы с потерей качества картинки при изменении ее размера, моя статья про интерполяцию обязательно должна помочь 😉
ИНТЕРПОЛЯЦИЯ ЦИФРОВОГО ИЗОБРАЖЕНИЯ
Интерполяция изображений происходит во всех цифровых фотографиях на определённом этапе, будь то дематризация или масштабирование. Она происходит всякий раз, когда вы изменяете размер или развёртку изображения из одной сетки пикселей в другую. Изменение размера изображения необходимо,когда вам нужно увеличить или уменьшить число пикселей, тогда как изменение положения может происходить в самых различных случаях: исправление искажений объектива, смена перспективы или поворот изображения.
Даже если изменению размера или развёртки подвергается одно и то же изображение, результаты могут значительно отличаться в зависимости от алгоритма интерполяции. Поскольку любая интерполяция является всего лишь приближением, изображение будет несколько терять в качестве всякий раз, когда подвергается интерполяции. Данная глава призвана обеспечить лучшее понимание того, что оказывает влияние на результат, — и тем самым помочь вам минимизировать любые потери качества изображения, вызванные интерполяцией.
Концепция
Суть интерполяции заключается в использовании имеющихся данных для получения ожидаемых значений в неизвестных точках. Например, если вам захотелось знать, какова была температура в полдень, но измеряли её в 11 и в час, можно предположить её значение, применив линейную интерполяцию:
Если бы у вас имелось дополнительное измерение в половине двенадцатого, вы могли бы заметить, что до полудня температура росла быстрее, и использовать это дополнительное измерение для квадратической интерполяции:
Чем больше измерений температуры вы будете иметь около полудня,тем более комплексным (и ожидаемо более точным) может быть ваш алгоритм интерполяции.
Пример изменения размера изображения
Интерполяция изображений работает в двух измерениях и пытается достичь наилучшего приближения в цвете и яркости пикселя, основываясь на значениях окружающих пикселей. Следующий пример иллюстрирует работу масштабирования:
оригинал до после без интерполяции
В отличие от колебаний температуры воздуха и вышеприведенного идеального градиента, значения пикселей могут меняться намного более резко от точки к точке. Как и в примере с температурой, чем больше вы знаете об окружающих пикселях, тем лучше сработает интерполяция. Вот почему результаты быстро ухудшаются по мере растягивания изображения, а кроме того, интерполяция никогда не сможет добавить изображению детальности, которой в нём нет.
Пример вращения изображения
Интерполяция происходит также каждый раз, когда вы поворачиваете или изменяете перспективу изображения. Предыдущий пример был обманчив, поскольку это частный случай, в котором интерполяторы обычно работают неплохо. Следующий пример показывает, как быстро может быть потеряна детальность изображения:
оригинал поворот на 45 поворот на 90 (без потерь) 2 поворота на 45° 6 поворотов на 15°
Поворот на 90° не вносит потерь, поскольку ни один пиксель не требуется поместить на границу между двумя (и как следствие разделить). Заметьте, как большая часть деталей теряется при первом же повороте, и как качество продолжает падать при последующих. Это означает, что следует избегать вращений, насколько возможно; если неровно выставленный кадр требует поворота, не следует вращать его более одного раза.
Вышеприведенные результаты используют так называемый «бикубический» алгоритм и показывают существенное ухудшение качества. Обратите внимание, как снижается общий контраст в связи со снижением интенсивности цвета, как вокруг светло-синего возникают тёмные гало. Результаты могут быть значительно лучше в зависимости от алгоритма интерполяции и изображаемого предмета.
Типы алгоритмов интерполяции
Общепринятые алгоритмы интерполяции можно поделить на две категории: адаптивные и неадаптивные. Адаптивные методы изменяются в зависимости от предмета интерполяции (резкие границы, гладкая текстура), тогда как неадаптивные методы обрабатывают все пиксели одинаково.
Неадаптивные алгоритмы включают: метод ближайшего соседа, билинейный, бикубический, сплайны, функция кардинального синуса (sinc), метод Ла́нцоша и другие. В зависимости от сложности, они используют от 0 до 256 (или более) смежных пикселей для интерполяции. Чем более смежных пикселей они включают, тем более точными могут оказаться, но это достигается за счёт значительного прироста времени обработки. Эти алгоритмы могут использоваться как для развёртки, так и для масштабирования изображения.
Адаптивные алгоритмы включают в себя многие коммерческие алгоритмы в лицензированных программах, таких как Qimage, PhotoZoom Pro, Genuine Fractals и другие. Многие из них применяют различные версии своих алгоритмов (на основе попиксельного анализа), когда обнаруживают наличие границы — с целью минимизировать неприглядные дефекты интерполяции в местах, где они наиболее видны. Эти алгоритмы в первую очередь разработаны для максимизации бездефектной детальности увеличенных изображений, так что некоторые из них для вращения или изменения перспективы изображения непригодны.
Метод ближайшего соседа
Это наиболее базовый из всех алгоритмов интерполяции, который требует наименьшего времени обработки, поскольку учитывает только один пиксель — ближайший к точке интерполяции. В результате каждый пиксель просто становится больше.
Билинейная интерполяция
Билинейная интерполяция рассматривает квадрат 2×2 известных пикселя, окружающих неизвестный. В качестве интерполированного значения используется взвешенное усреднение этих четырёх пикселей. В результате изображения выглядят значительно более гладко, чем результат работы метода ближайшего соседа.
Диаграмма слева относится к случаю, когда все известные пиксели равны, так что интерполированное значение просто является их суммой, поделенной на 4.
Бикубическая интерполяция
Бикубическая интерполяция идёт на один шаг дальше билинейной, рассматривая массив из 4×4 окружающих пикселей — всего 16. Поскольку они находятся на разных расстояниях от неизвестногопикселя, ближайшие пиксели получают при расчёте больший вес. Бикубическая интерполяция производит значительно более резкие изображения, чем предыдущие два метода, и возможно, является оптимальной по соотношению времени обработки и качества на выходе. По этой причине она стала стандартной для многих программ редактирования изображений (включая Adobe Photoshop), драйверов принтеров и встроенной интерполяции камер.
Интерполяция высшего порядка: сплайны и sinc
Есть много других интерполяторов, которые принимают во внимание больше окружающих пикселей и таким образом требуют более интенсивных вычислений. Эти алгоритмы включают в себя сплайны и кардинальный синус (sinc), и они сохраняют большинство информации об изображении после интерполяции. Как следствие, они являются исключительно полезными, когда изображение требует нескольких поворотов или изменений перспективы за отдельные шаги. Однако, для однократных увеличений или поворотов такие алгоритмы высшего порядка дают незначительное визуальное улучшение при существенном увеличении времени обработки. Более того, в некоторых случаях алгоритм кардинального синуса на гладком участке отрабатывает хуже, чем бикубическая интерполяция.
Наблюдаемые дефекты интерполяции
Все неадаптивные интерполяторы пытаются подобрать оптимальный баланс между тремя нежелательными дефектами: граничными гало, размытием и ступенчатостью.
оригинал ступенчатость размытие гало
Даже наиболее развитые неадаптивные интерполяторы всегда вынуждены увеличивать или уменьшать один из вышеприведенных дефектов за счёт двух других — как следствие, как минимум один из них будет заметен. Заметьте, насколько граничное гало похоже надефект, порождаемый повышением резкости с помощью нерезкой маски, и как оно повышает кажущуюся резкость посредством усиления чёткости.
Адаптивные интерполяторы могут создавать или не создавать вышеописанные дефекты, но они тоже могут породить несвойственные исходному изображению текстуры или одиночные пиксели на крупных масштабах:
Материал с малоразмерной текстурой Участок при увеличении 220%
С другой стороны, некоторые «дефекты» адаптивных интерполяторов тоже могут рассматриваться как преимущества. Поскольку глаз ожидает увидеть в областях с мелкой текстурой, таких как листва, детали вплоть до мельчайших подробностей, подобные рисунки могут обмануть глаз на расстоянии (для определённых видов материала).
Сглаживание
Сглаживание или анти-алиасинг является процессом, который пытается минимизировать появление ступенчатых или зубчатых диагональных границ, которые придают тексту или изображениям грубый цифровой вид:
300% 
Сглаживание удаляет эти ступеньки и создаёт впечатление более мягких границ и высокого разрешения. Оно принимает во внимание, насколько идеальная граница перекрывает смежные пиксели. Ступенчатая граница просто округлена вверх или вниз без промежуточного значения, тогда как сглаженная граница выдаёт значение, пропорциональное тому, насколько много от границы попало в каждый пиксель:
Важным соображением при увеличении изображений является предотвращение чрезмерной ступенчатости в результате интерполяции. Многие адаптивные интерполяторы определяют наличие границ и корректируются с целью минимизировать ступенчатость, сохранив при этом резкость границы. Поскольку сглаженная граница содержит информацию о своём положении при более высоком разрешении, вполне возможно, мощный адаптивный (определяющий границы) интерполятор сможет хотя бы частично реконструировать границу при увеличении.
Оптический и цифровой зум
Многие компактные цифровые камеры могут осуществлять как оптическое, так и цифровое увеличение (зум). Оптический зум осуществляется движением вариобъектива, так чтобы свет усиливался до попадания на цифровой сенсор. На контрасте, цифровой зум понижает качество, поскольку осуществляет простую интерполяцию изображения — уже после получения его сенсором.
Оптический зум (х10) Цифровой зум (х10)
Даже несмотря на то, что фото с использованием цифрового зума содержит то же число пикселей, его детальность отчётливо меньше, чем при использовании оптического зума.Цифровой зум следует практически полностью исключить, за вычетом случаев, когда он помогает отобразить удалённый объект на ЖК-экране вашей камеры. С другой стороны, если вы обычно снимаете в JPEG и хотите впоследствии обрезать и увеличить снимок, цифровой зум имеет преимущество в том, что его интерполяция осуществляется до внесения дефектов компрессии. Если вы обнаруживаете, что цифровой зум вам нужен слишком часто, купите телеконвертор, а ещё лучше объектив с большим фокусным расстоянием.
Основы фотографии #4.7
Четвёртый шаг. Интерполяция
К началу четвёртого шага числовая таблица всё ещё остаётся таковой, хотя некоторые или все значения в ней могут претерпеть изменения. По окончании четвёртого шага «рождается» цифровое изображение. Основная процедура четвёртого шага – интерполяция (процесс «демозаики»). Рассмотрю процедуру подробнее. Начну с пояснения.
В чём отличие между числовой таблицей («входом» четвёртого шага) и цифровым изображением («выходом» четвёртого шага)?
По определению, каждый элементарный фрагмент цветного цифрового изображения – пиксел – определяется тремя числами. Если будет известно только одно или два числа, то пиксел не существует. Когда такая ситуация распространяется на все пикселы, то цветное цифровое изображение не может быть построено.
Далее каждое из чисел, необходимых для определения пиксела, буду называть цветовой компонентой. Все цветовые компоненты делятся на три группы: «красные» компоненты или R-компоненты (аббр. от англ. red – «красный»), «зелёные» компоненты или G-компоненты (аббр. от англ. green – «зелёный») и «синие» компоненты или B-компоненты (аббр. от англ. blue – «синий»).
По определению, числовую таблицу можно «разгруппировать» на три набора чисел. Три набора содержат числа, которые кодируют напряжения на электродах трёх групп сенселей соответственно: «красных», «зелёных» и «синих». Другими словами, напряжения на электродах «красных» сенселей образуют набор R-компонент, напряжения на электродах «зелёных» сенселей образуют набор G-компонент и напряжения на электродах «синих» сенселей образуют набор B-компонент.
Каждый набор чисел можно представить в виде мозаичного изображения – чёрно-белого цифрового изображения, в котором между любыми двумя соседними пикселами, окрашенными в один из оттенков серого цвета, находится по одному пикселу, окрашенному в белый (или чёрный цвет). Первый вид пикселей назову «значимыми» пикселами, вторые – «пропусками».
Пример мозаичного изображения, соответствующего «зелёным» сенселям представлен на рис. 18. Сравните расположение «значимых» пикселей с зелёной «мозаикой», продемонстрированной на рис. 9.
Рис. 18. Фрагмент (18 х 18 пикселей) мозаичного изображения, соответствующего «зелёным» сенселям.
Тон «значимых» пикселей определяется соответствующим числом из числовой таблицы. При этом, чем больше число, тем светлее оттенок серого. Таким образом, напряжению на электродах сенселя соответствует пиксел на мозаичном изображении какого-то оттенка серого. При этом, чем выше напряжение, тем светлее оттенок.
Мозаичные изображения, соответствующие «синим» и «красным» сенселям, содержат «пропуски» не только между «значимыми» пикселами по вертикали и по горизонтали, но и между «значимыми» пикселами по диагонали:
Рис. 19. Фрагменты (18 х 18 пикселей) мозаичных изображений, соответствующих «синим» (слева) и «красным» (справа) сенселям.
Вот так выглядит псевдоизображение, полученное наложением друг на друга трёх мозаичных изображений, и соответствующее ему цифровое изображение:
Рис. 20. Фрагменты (18 х 18 пикселей) псевдоизображения, составленного из трёх мозаичных изображений, (слева) и соответствующего ему цифрового изображения (справа).
С учётом конструкции светочувствительного сенсора с массивом цветовых фильтров каждому пикселу будущего цифрового изображения соответствует один сенсель («красный», «зелёный» или «синий»). Таким образом, изначально для каждого пиксела известно одно число (одна цветовая компонента) из трёх. Остальные два числа интерполируются.
Слово «интерполяция» означает определение неизвестного значения на основании «соседних» известных значений. Один из алгоритмов интерполяции каждый из нас мог применять, когда говорил: «в среднем я трачу … столько-то денег на то-то» или «мне потребуется в среднем … дня, чтобы сделать то-то». Пример.
Я живу в пригороде и периодически езжу на встречи в центр города. Если позавчера поездка заняла 30 минут, а вчера – 40 минут (по пути произошло ДТП и образовалась «пробка»), то в среднем я трачу «на дорогу» 35 минут. Поэтому сегодня я выйду из дома за 35 минут до начала встречи, чтобы вероятность приехать вовремя была выше.
Можно учитывать не только два «случая», а значительно больше. Чем обширнее статистика, тем выше точность интерполяции.
Интерполяция по определению не даёт точный результат. То есть имеет место ошибка интерполяции. Проиллюстрирую последнее утверждение, продолжив пример выше.
Сегодня я добрался на встречу за 32 минуты до её начала (по дороге я случайно встретился со знакомым, и между нами завязалась короткая беседа). Таким образом, ошибка интерполяции составила 3 минуты.
Интерполяция применяется не только для построения цифрового изображения из псевдоизображения. При изменении размеров готовых цифровых изображений или при повороте, деформации последних также производится интерполяция. Кстати, прежде, чем отобразить текст, который Вы читаете, и иллюстрации к нему процессор Вашего компьютера интерполирует изображение текста и фотографий, «подгоняя» его под текущее разрешение экрана.
Я постарался показать идею и особенности интерполяции. Теперь опишу процесс «демозаики», происходящий по одному из современных алгоритмов ([4]). Вначале сделаю замечание.
Строго, процесс «демозаики» и интерполяция – не одно и то же. Процесс «демозаики» включает в себя множественное выполнение интерполяции. Для каждого «пропуска» с помощью интерполяции определяется неизвестные числа – две цветовые компоненты. Процесс «демозаики» описывает то, что будет интерполироваться, и в каком порядке.
Алгоритм процесса «демозаики» может включать четыре этапа:
Прежде, чем подробно описать каждый этап скажу несколько слов о возможностях рассматриваемого алгоритма.
Почему бы просто не вычислить «среднее» между двумя соседними известными компонентами? Потому что возрастают ошибки интерполяции. В итоге получаемое цифровое изображение искажено, и зритель невооружённым взглядом может видеть искажения, тоновые и цветовые.
Например, границы контрастных областей могут быть либо «размытыми» (недостаточно контрастными в сравнении с оригинальным оптическим изображением), либо содержать цвета, которых нет на самом деле. Так изображение чёрных полосок на шкуре зебры приобретает жёлтый, синий или другого цвета контур. Таким образом, уменьшается техническое качество цифрового изображения по первому критерию.
Ещё пример искажения.
Зеркальный блик на поверхности глазного яблока, ровно, как и тонкие ресницы, «размываются». В целом изображение выглядит «замыленным», недостаточно резким. Уменьшается техническое качество цифрового изображения по пятому критерию.
Опишу каждый этап подробнее, делая по ходу описания некоторые обобщения и сравнения.
В большинстве алгоритмов процесса «демозаики» первым интерполируется мозаичное изображение, соответствующее «зелёным» сенселям.
Во-первых, оно содержит меньше всего пропусков. Другими словами, оно изначально содержит в два раза больше достоверной, «не усреднённой», информации, чем мозаичные изображения, соответствующие «красным» или «синим» сенселям.
Во-вторых, G-компоненты отражают распределение тонов будущего цифрового изображения. По сути, изображение, составленное из G-компонент, похоже на «обесцвеченное», в оттенках серого, исходное оптическое изображение. Это значит, что можно вычислять недостающие G-компоненты более эффективно, точно: предварительно оценивать характер распределения тонов (плавная смена тонов – резкая смена тонов).
Процессы «демозаики», в которых учитывается характер распределения тонов, называют процессом «демозаики» с предварительным определением границ (от англ. edge-sensitive demosaicking – ESD). ESD-процессы (к ним относится рассматриваемый алгоритм) обладают существенно более низким уровнем ошибок интерполяции. Как следствие, будущее цифровое изображение выглядит для зрителя более привлекательным, так как более похоже на то, что он видит собственными глазами. Обычно, человек не видит цветовых контуров вокруг пятен зебры или тоновых и цветовых искажений на повторяющихся текстурах (заборе, кирпичной кладке и т.д.)
Опишу идею ESD-процесса.
Рассмотрю фрагмент мозаичного изображения, соответствующего «зелёным» сенселям (рис. 21). Светлоту оттенка серого (тона) буду указывать в абстрактных единицах в пределах от 0 до 255. Тону с номером 0 соответствует чёрный цвет. Тону с номером 255 – белый.
В реальности мозаичное изображение – это часть числовой таблицы. Процессор рассматривает и выполняет арифметические операции над последовательностями из нулей и единиц, кодирующими напряжения на электродах сенселей.
Рис. 21. Фрагмент мозаичного изображения, образованного «зелёными» сенселями. Для каждого сенселя указаны его месторасположение (например, 4-ый слева 3-ий сверху – G43 – относительно верхнего левого угла сенсора) и значение его светлоты (например, G33 = 156). Для наглядности на фрагменте рассматриваются четыре G-компоненты, серые тона «подкрашены» зелёным цветом.
Как действует процессор? Например, необходимо интерполировать тон «пропуска» G43. Оценивает абсолютную (по модулю) разницу тонов двух соседних сенселей по горизонтали (|G33 – G35| = |156 – 225| = 69) и абсолютную разницу тонов двух «соседних» сенселей по вертикали (|G24 – G44| = |156 – 225| = 24).
Если оба результата вычитания меньше некоторого заранее определённого значения – «порога» – то сенсель характеризует однородную по тону область оригинального оптического изображения. Значение тона вычисляется как среднее от тонов четырёх «соседних» сенселей, результат «усреднения» округляется:
Если какой-то из результатов превышает «порог», то в одном направлении область однородна, а в другом существует граница. Приведу пример.
Пусть «порог» равен 25. По вертикали (25 > 24) область оптического изображения равномерна, однородна. А по горизонтали (25
Комментарии: 7
Если ваше вышеприведенное описание верно, то тогда Реальное Физическое Число МегаПикселей получается в 4 раза меньше заявленного, т.к. каждый (белый) пиксель строго говоря должен состоять из трех цветных (красный, зеленый и синий) субпикселей. У вас же говорится, что большая часть субпикселей вычисляется путем программной интерполяции. А что тогда помешает после выполнения этой интерполяции применить ее еще раз, используя полученные на предыдущем шаге субпиксели, и таким образом опять программно увеличить число субпикселей. И так до бесконечности.
Полная абракадабра. Ну мне, фотолюбителю, это все знать зачем?
Анатолий, чтобы создавать то, что Вам нравится, реализовывать любую идею.
Александр, спасибо. Отправил просьбу редактору.