Анализ реального изображения

Рассмотрим пример уменьшения реального изображения (см. рис. 7.4). В качестве исходной фотографии была выбрана фотография розы с сайта www.bigfoto.com. Вначале я сделал из неё выкадровку размером 620 х 620 пикселов, а потом уменьшил её до размера 200 х 200 пикселов различными способами.

Рисунок 7.4

В столбцах таблицы на рис.7.4 показаны результаты полученные различными алгоритмами:

1. Алгоритм Nearest neighbor по сути означает отсутствие ресэмплинга, т.е. процедуры пересчёта цвета пикселов. Этот алгоритм ориентирован на простое выбрасывание «лишних» пикселов. При этом цвет оставшегося элемента устанавливается по цвету ближайшего соседа в исходном изображении.

2. Алгоритм Bicubic resampling входит во все популярные программы обработки изображений. Он прост, быстр и весьма эффективен.

3. Пересчёт цвета пикселов по алгоритму Ланцоша (Lanczos resampling из программы Irfan View) является ещё одной удачной попыткой достичь компромисса между резкостью и плавностью тональных переходов.

В первой строке (1 step) преобразование было получено за один шаг, то есть блок (620 х 620) был сразу преобразован в блок (200 х 200). Во второй строке (2 steps) представлены изображения, полученные в ходе преобразования с одним промежуточным этапом: (620 х 620) => (310 х 310) => (200х200).

Никаких процедур повышения резкости к изображениям применено не было.

Какое изображение лучше? Или (что то же самое): какой алгоритм лучше? Увы, объективно ответить на этот вопрос невозможно. Как я уже сказал, задача естественного восприятия трудно формализуема. Выполнение любого математического критерия обеспечивает лишь результат не хуже определённого уровня. Если же нам важен перфекционизм, то выход только один: выполнять преобразования вручную и затем субъективно сравнивать полученные результаты.

Действительно, посмотрим на рис. 7.4. Изображения в крайней левой колонке смотрятся весьма резко. У многих зрителей возникает даже мысль о том, что к ним был применён фильтр Unsharp Mask. Однако это не так. Да и сама резкость в данном случае смотрится несколько неестественно. Отсюда следует очевидный вывод: не в одной резкости дело! Результирующее изображение надо оптимизировать по многим параметрам.

Опросы, проведённые автором статьи среди разных групп людей, выявили, что наиболее естественно воспринимаются крайнее правое верхнее и среднее нижнее изображения. Причём предпочтения разделились примерно поровну. Это ещё раз свидетельствует о том, что формальную рекомендацию по уменьшению изображений дать сложно. Так, например, одношаговое применение функции Lanczos Resapmling не является самым резким вариантом. Тем не менее, результат выглядит очень естественно. Даже на более простой вопрос о числе этапов преобразования ответить нелегко. В одних случаях достаточно одного этапа, а в других предпочтительней решать задачу за несколько шагов. Повторюсь: сказанное справедливо, если нам важен перфекционизм, и мы не хотим довольствоваться неким универсальным подходом, обеспечивающим результат не хуже некоторого (довольно высокого) уровня.

С другой стороны, важно не забывать, что всё вышеизложенное справедливо лишь при рассматривании изображений с достаточно близкого расстояния. Иногда бывает достаточно отступить на шаг-другой от картинки — и все различия тотчас покажутся несущественными. Поэтому при изменении размеров изображений важно не упускать из виду конкретные условия просмотра. Если предполагается просмотр изображений под малым углом зрения (с достаточно большого расстояния), то относительно проблемы resize-resampling можно не волноваться.

Выводы

Преимущества того или иного метода уменьшения числа элементов в изображении становятся заметны лишь при просмотре результата с достаточно близкого расстояния.

Если мы встанем на путь перфекционизма, то нам неизбежно придётся отказаться от автоматических процедур и однозначных рекомендаций и встать на путь реализации метода проб и ошибок.