图像下采样算法

Question

我可以使用什么样的最佳重采样算法将图像分成原始大小的一半。速度是最重要的，但它不应该降低质量太差。我基本上试图生成图像金字塔。

我原本计划跳过像素。这是最好的方式吗？从我所看到的，像素跳过产生的图像太尖锐了。有人试过这个评论。我的图片包含类似this.

的地图数据

Answer 1

跳过像素会导致混叠，其中高频变化（例如交替的亮/暗带）将转换为低频（例如恒定亮或暗）。

在没有混叠的情况下缩小到一半的最快方法是将2x2像素平均为单个像素。使用更复杂的还原内核可以获得更好的结果，但它们将以牺牲速度为代价。

编辑：以下是目前讨论的技术的一些示例。

跳过所有其他像素 - 通过查看左侧的图例，您可以看到结果不是很好。这几乎是不可读的：

平均每2x2网格 - 文字现在清晰可读：

由R.建议的高斯模糊 - 有点模糊，但在某一点上更具可读性。可以调整模糊量以得到不同的结果：

R.对影响结果的Gamma曲线也是正确的，但这只应在要求最苛刻的应用中才能看到。我的例子没有伽马校正。

Answer 2

对于缩小尺寸，区域平均（参见Mark的回答）接近你所能达到的最佳值。

主要的另一个竞争者是高斯，半径稍大。这会增加一点点模糊，这可能被视为一个缺点，但会使模糊更均匀，而不是依赖于像素mod 2的对齐。

如果我不清楚我的意思，请考虑像素模式0,0,2,2,0,0和0,0,0,2,2,0。通过面积平均，它们分别缩小到0,2,0和0,1,1 - 也就是说，一个将是清晰明亮而另一个将是模糊和暗淡的。使用较长的滤镜，两者都会模糊不清，但它们看起来会更相似，这对人类观察者来说很重要。

要考虑的另一个问题是伽玛。除非伽玛是线性的，否则强度k的两个像素将具有比强度2*k的单个像素小得多的总强度。如果你的过滤器表现出足够的模糊，那么它可能并不重要，但是对于普通的区域平均过滤器，它可能是一个主要问题。我知道的唯一解决方法是在缩放之前和之后应用和反转伽马曲线......

Answer 3

如果速度是一个问题，如上所述，我建议采用2x2块并计算平均值作为结果像素。质量不是最好的，但接近。您可以激发此算法以显示其弱点，但在大多数图像上，您不会看到可以证明计算时间多倍的差异。 你也没有任何内存开销。 如果颜色分辨率可以降低到每通道6位，这是一种非常快速的方法，可以防止你分解ARGB通道（这里假设是32位ARGB）：

destPixel[x,y] = ((sourcePixel[2*x  ,2*y  ]>>2)&0x3f3f3f3f) +
                 ((sourcePixel[2*x+1,2*y  ]>>2)&0x3f3f3f3f) +
                 ((sourcePixel[2*x  ,2*y+1]>>2)&0x3f3f3f3f) +
                 ((sourcePixel[2*x+1,2*y+1]>>2)&0x3f3f3f3f);

这种算法的副作用是，如果保存为PNG，文件大小会变小。 这是它的样子：

Answer 4

我试图概括ThiloKöhler的解决方案（但在Python中）：

STRIDE = 2
MASK = 0x3F3F3F3F
color = 0
for Δx, Δy in itertools.product(range(STRIDE), repeat=2):
    color += (get_pixel(x + Δx, y + Δy) // STRIDE) & MASK

这适用于缩放2（四分之一大小结果），但不适用于按3或4或其他int值缩放。有可能推广这个吗？

对于非Pythonist的BTW，上面的for循环等同于此（除了第一个版本可通过更改STRIDE进行扩展）：

for Δx, Δy in [(0, 0), (0, 1), (1, 0), (1, 1)]:
    color += (get_pixel(x + Δx, y + Δy) // STRIDE) & MASK

我使用的是32位ARGB值。

Answer 5

NetPBM suite包含一个名为pamscale的实用程序，它为下采样提供了一些选项。它是开源的，所以你可以尝试各种选项，然后复制你最喜欢的算法（或者只使用libnetpbm）。

Answer 6

http://www.cs.ubc.ca/nest/imager/tr/2011/BlurAwareDownsize/ap-resizing-validation/index.html

http://www.cs.ubc.ca/nest/imager/tr/2011/BlurAwareDownsize/

Perceptual Image Downsampling