这个算法已经在我脑海中存在了很长一段时间，但我找不到任何地方描述它。虽然它是如此简单，但我不可能是唯一一个想到它的人。它的工作原理如下：
你从一张图片开始。比如说，7x7px：
您需要将其重新采样，例如 5x5px：
所以你要做的就是取每个新方块的平均颜色：
这不是最近邻，因为它只采用一个像素的颜色，而不是碰巧覆盖源像素的分数像素的颜色。它也不是双线性、双三次、lanczos 或其他任何插值。
那么——这是什么？在我看来，直觉上这应该是“数学上完美”的重采样算法，尽管由于我没有“数学上完美”的定义，所以我无法证明或反驳这一点。
最后但并非最不重要的一点是，“数学上完美”并不总是“最好看”，所以我想知道它与其他主流图像重采样算法（双三次、lanczos）在“质量”方面相比如何？当然，这是一个主观术语，所以我真的很感兴趣这个算法和其他算法之间是否存在显着差异，大多数人都会同意这一点。
附：我已经可以告诉你一些事情 - 对于像素艺术来说，它不会是“最好看的”，如此处所示；有专门的算法（2xSAI 等）；而且它对于放大图片来说也不是最好的——插值法会胜出。但是对于缩小图片...？
更新1：嗯，刚刚知道超采样 http://en.wikipedia.org/wiki/Supersampling。这似乎是它的一个变体，具有网格类型的样本排列，其中样本数量针对源图像和目标图像的分辨率进行了优化。
首先我要说的是我不知道你的算法的正式名称。我知道Paint Shop Pro很早就将其称为“双线性”，但在版本8中由于指出该算法与双线性的经典定义不符而被迫将其重命名为“加权平均”。
大多数调整大小算法可以在两个独立的通道中应用，一个在 X 方向，一个在 Y 方向。这不仅更高效，而且使描述和推理不同算法变得更加容易。从现在开始，我将在一维中工作，并假设您可以推断到二维。
您的输入由 7 个像素组成，我们将给出坐标 0、1、2、3、4、5、6。认识到这一点很有用像素不是一个小正方形 http://www.cs.cmu.edu/afs/cs.cmu.edu/academic/class/15869-f11/www/readings/smith95_pixelsquare.pdf在这种情况下，但这只是一个点。要创建输出，您需要来自点 0.2、1.6、3.0、4.4、5.8 的插值。为什么不是 0.0、1.5、3.0、4.5、6.0？假设您将输入和输出的大小加倍为 14x14 和 10x10：坐标现在为 0.0、1.44、2.89、4.33、5.78、7.22、8.67、10.11、11.56、13.0。从第二个像素开始，结果会有所不同，这是不可接受的。所有点的间距应为 7/5，坐标为 0.2、1.6、3.0、4.4、5.8、7.2、8.6、10.0、11.4、12.8。
让我们比较一下用过滤器表示的常见调整大小算法，看看它们与您的算法有何不同。
通用形式的第一个示例称为框或平均滤波器。但是，当盒式过滤器的宽度恰好为 1.0 时，就会发生神奇的事情：输入中的一个像素将落入盒内并被赋予权重 1.0，而输入中的所有其他像素将被赋予权重 0.0 。这使得它相当于最近邻算法。
我们的第二个示例通常称为帐篷过滤器。当宽度恰好为 2.0 时，它又变得很特别，它变成了线性插值；应用在 2D 中，称为双线性。
第三个示例是三次过滤器，当应用于 2D 时称为双三次过滤器。该公式有不同的变体，本示例使用 Mitchell 和 Netravali 建议的公式。
虽然高斯滤波器不常用于调整大小的应用程序，但我将其添加到此处进行比较。
最后我们达到了你的算法。它是平均和双线性的结合，是一个平顶的帐篷。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
