¿Cómo se puede determinar el algoritmo de remuestreo ideal para un tipo de imagen dado?

Estaba leyendo esta pregunta y me puse a pensar. ¿Cómo puede determinar exactamente cuál es la mejor solución de muestreo? Tengo un concepto, aunque algo vago, de lo que hacen los métodos básicos.

¿Existen algunas buenas reglas generales para diferentes tipos de imágenes? ¿Por ejemplo, usando un conjunto particular de algoritmos de remuestreo para fotos y un conjunto diferente para gráficos web? ¿Entraría en juego el color general de la imagen, el contraste del sujeto y el fondo, etc.?

Hay una serie de tutoriales muy informativos sobre Cambridge in Color que tratan el tema del cambio de tamaño de la imagen.

1. Comprender la interpolación de imágenes cubre la teoría básica detrás de la interpolación de imágenes.
2. El cambio de tamaño de la imagen para la Web y el correo electrónico cubre la reducción del tamaño de las imágenes y las dificultades a tener en cuenta.
3. La optimización de la ampliación de fotos digitales cubre de manera similar las imágenes de aumento de escala.

El último tutorial es particularmente bueno, ya que hay una tabla de algoritmos de interpolación comunes junto con un diagrama que lo ayuda a visualizar la compensación que cada algoritmo tiene con respecto al suavizado, el desenfoque y los halos de borde.

La respuesta directa es que, en última instancia, no. En muchos casos, se trata de una cuestión de gustos. Tres personas que miran versiones redimensionadas de una imagen en particular podrían (y a menudo tendrán) tres opiniones diferentes sobre cuál es la mejor. Lo mejor que puede hacer es elegir qué características de una imagen considera importantes y elegir un método basado en eso.

Por ejemplo, el vecino más cercano hace un buen trabajo al mantener bordes afilados en las líneas, mucho más que la mayoría de los métodos de interpolación. Al mismo tiempo, cuando se aplica a cosas que deberían verse "suaves" (p. Ej., Cielo azul claro), puede producir artefactos que parecen bordes.

Lo contrario también es cierto: la interpolación puede ayudar a suavizar los gradientes, pero también tiende a "suavizar" lo que deberían ser bordes afilados. Si va demasiado lejos, los detalles finos se pueden borrar por completo.

La mayoría de los mejores métodos son adaptativos hasta cierto punto. Simplificando considerablemente, estiman cuán "agudo" de los gradientes contienen los datos originales e intentan mantener aproximadamente el mismo nivel de suavidad / nitidez que está presente en el original. La adaptación se realiza normalmente escaneando la imagen en bloques y aplicando la adaptación bloque por bloque.

Por ejemplo, si tiene un paisaje con un cielo azul claro y árboles con muchos detalles finos (ramas, hojas, etc.), se aplicará mucho menos suavizado a las ramas que al cielo.

Sin embargo, hay varias formas de estimar gradientes, ninguna de las cuales es perfecta, y varios tamaños de ventanas, ninguna de las cuales es ideal para todas las imágenes. Eso deja espacio para una buena cantidad de diferencia incluso entre algoritmos adaptativos.

Este sitio ( Comparaciones de métodos de ampliación de imagen ) hace un buen trabajo al comparar los diferentes métodos de interpolación. Y si descarga su herramienta ( SAR Image Processor, versión 4.3 ), puede medir las diferencias de calidad.

Si bien parece ser una buena guía, no responde a la pregunta de qué algoritmo se adapta a qué tipo de imagen.

A continuación se muestra un extracto de los resultados de sus pruebas para los diversos algoritmos de interpolación. Diagrama de copyright general-cathexis.com .