विभिन्न छवि पुनरुत्पादन विधियों के बीच व्यावहारिक रूप से प्रासंगिक अंतर क्या हैं?

मैथेमेटिका का ImageResizeकार्य कई पुनर्जीवन विधियों का समर्थन करता है ।

इस क्षेत्र से परिचित नहीं होने के कारण, निकटतम पड़ोसी, बिलिनियर, बाइकाड्रेटिक और बाइबिक (जो नाम से स्पष्ट हैं) से परे, मैं खो गया हूं।

क्या आप मुझे किसी ऐसे स्रोत की ओर संकेत कर सकते हैं जो इन विधियों के बीच बुनियादी (गणितीय) अंतरों की व्याख्या करेगा, और विशेष रूप से व्यावहारिक अंतरों को इंगित करेगा (उदाहरण के लिए नमूना छवियां दिखा रहा है जहां विधि का विकल्प वास्तव में मायने रखता है और ध्यान देने योग्य मतभेदों का परिचय देता है)?

_{मेरे पास सिग्नल प्रोसेसिंग बैकग्राउंड नहीं है, इसलिए मैं "सौम्य" और संक्षिप्त परिचय पसंद करूंगा :-)}

मैं यहाँ ImageResizeउन "आलसी" लिंक पर क्लिक करने के तरीकों की सूची कॉपी करूँगा :

"निकटतम" निकटतम पड़ोसी को फिर से शुरू करना

"बिलिनियर" बिलिनियर इंटरपोलेशन

"द्विअर्थी" द्विअर्थी तख़्ता प्रक्षेप

"बाइक्यूबिक" बाइबिक स्पलाइन इंटरपोलेशन

"गॉसियन" गॉसियन रिसमलिंग

"लैंक्ज़ोस" लैंक्ज़ोस बहुभिन्नरूपी प्रक्षेप विधि

"कोसाइन" कोसाइन इंटरपोलेशन

"हैमिंग" ने उठाया-कोसाइन हेमिंग इंटरपोलेशन

"हन" ने उठाया-कोसाइन हन इंटरपोल

"ब्लैकमैन" तीन-टर्म सामान्यीकृत उठाए गए कोसाइन

"बार्टलेट" त्रिकोणीय खिड़की प्रक्षेप

"कॉन्स" ने वेल्च प्रक्षेप को चुकता किया

"वेल्च" वेल्च द्विघात प्रक्षेप

"परजेन" टुकड़े-टुकड़े घन प्रक्षेप

"कैसर" शून्य-क्रम संशोधित बेसेल प्रक्षेप

image-processing

— स्ज़बोल्क्स
स्रोत

प्रश्न मुझे बहुत व्यापक लगता है। इसे विशिष्ट तरीकों में अलग करना और उन विधियों के लिए विशिष्ट प्रश्न पूछना अच्छा होगा, जिनके साथ आपकी समस्याएं हैं।

— दर्पण २

आपके प्रश्न के कुछ हद तक, आप इस छवि को तुलनात्मक दिलचस्प

— दिखा

मैं इस बात पर ध्यान दूंगा कि आपके द्वारा लिखी गई सभी विधियां स्पेस इन्वारिएंट हैं। मुझे लगता है कि अपसंस्कृति के लिए अधिक आधुनिक तरीके एज अवेयर हैं और इसलिए स्पेस वेरिएंट हैं।

— रॉय

यहां का प्रांतीय परिवर्तन है। इसका पीबी परिवर्तन कहलाता है और यह कई अन्य छवियों पर प्रशिक्षित होने के बाद जो घटित होना है, उस पर संभावना के अनुसार मूल्यों का अनुमान लगाकर छवि को बदल देता है। यहाँ [परिणाम] [1] जैसा दिखता है। [1]: v1.std3.ru/57/a9/…

— MyBushisaNeonJungle

$I(m,n)$ $m,n$ $m',n'$

\tilde{I} (m^{'}, n^{'}) = \sum_{m = ⌊ m^{'} ⌋ - w + 1}^{⌊ m^{'} ⌋ + w} \sum_{n = ⌊ n^{'} ⌋ - w + 1}^{⌊ n^{'} ⌋ + w} I (m, n) f (m^{'} - m, n^{'} - n)

$\tilde{I}(m',n')=\sum_{m=\left\lfloor m'\right\rfloor-w+1}^{\left\lfloor m'\right\rfloor+w}\ \sum_{n=\left\lfloor n'\right\rfloor-w+1}^{\left\lfloor n'\right\rfloor+w}I(m,n)\ f(m'-m,n'-n)$

$\tilde{I}$ $\mathcal{I}(x,y)$

$f(m,n)$

जैसे लौकिक संकेतों के लिए विंडो कार्य करता है, वैसे ही एक छवि को देखने में आसानी होती है कि कर्नेल द्वारा प्रक्षेपित की गई छवि इसकी आवृत्ति प्रतिक्रिया को देखकर क्या करती है। विंडो फ़ंक्शंस पर मेरे जवाब से :

विंडो फ़ंक्शन का वर्णन करने वाले दो प्राथमिक कारक हैं:

मुख्य लोब की चौड़ाई (यानी, किस आवृत्ति पर बिन शक्ति अधिकतम प्रतिक्रिया की आधी होती है)

साइड लॉब्स का आबंटन (यानी, मैनलोबे से साइड लॉब्स कितना नीचे हैं)। यह आपको विंडो में वर्णक्रमीय रिसाव के बारे में बताता है।

यह बहुत अधिक प्रक्षेप कर्नेल के लिए सच है। पसंद मूल रूप से आवृत्ति फ़िल्टरिंग (साइडेलोब्स का क्षीणन), स्थानिक स्थानीयकरण (मेनोबे की चौड़ाई) और रिंगिंग (गिब्स प्रभाव), अलियासिंग, धुंधलापन आदि जैसे अन्य प्रभावों को कम करने के बीच एक व्यापार-बंद है। उदाहरण के लिए, दोलन के साथ एक कर्नेल। के रूप में sinc कर्नेल और Lanczos4 कर्नेल "रिंगिंग" को छवि में पेश करेगा , जबकि एक गौसियन रिसमलिंग रिंगिंग का परिचय नहीं देगा।

मैथेमेटिका में यहां एक सरल उदाहरण दिया गया है कि आइए आप विभिन्न प्रक्षेप कार्यों के प्रभावों को देखते हैं:

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 $\mathcal{I}(x,y)$ small $I(m,n)$ $I(m,n)$ $\tilde{I}(m',n')$

यहां छवि विवरण दर्ज करें

आप अपने लिए देख सकते हैं कि विभिन्न प्रक्षेप कार्यों के अलग-अलग प्रभाव हैं। निकटतम और कुछ अन्य लोगों में बहुत मोटे लक्षण हैं और आप अनिवार्य रूप से दांतेदार रेखाएं देख सकते हैं (पूर्ण आकार की छवि देखें, ग्रिड प्रदर्शन नहीं)। बाइक्यूबिक, बाइकाड्रेटिक और परजेन इस पर काबू पा लेते हैं, लेकिन बहुत धुंधलापन लाते हैं। सभी गुठली में से, लैंकोज़ोस (नेत्रहीन) सबसे अधिक आकर्षक लगता है और वह है जो बहुत से सबसे अच्छा काम करता है।

मैं इस उत्तर पर विस्तार करने की कोशिश करूंगा और मेरे पास समय होने पर मतभेदों का प्रदर्शन करने वाले अधिक सहज उदाहरण प्रदान करेगा। आप इस बहुत आसान और जानकारीपूर्ण लेख को पढ़ना चाहते हैं जो मुझे वेब पर मिला (पीडीएफ चेतावनी)।

— लोरम इप्सम
स्रोत

क्या मैं देख रहा हूँ? : ->

— श्री। छिपकली

@ Mr.Wizard मैं कहता था कि मैं एक ईमानदार प्रयास :) बनाने चाहते हैं

— Lorem Ipsum