Відповіді:
По-перше, збільшення зображення передбачає переміщення пікселів на фіксовану кількість та заповнення проміжку між сусідніми пікселями з подібним вмістом. Це можна зробити за допомогою виготовлення базових пікселів (бікубічна фільтрація) або за допомогою більш складних засобів, таких як перетворення зображення у векторне зображення та масштабування у векторному просторі.
Бікубічна фільтрація разом із білінеарним фільтруванням використовують порівняно просту функціональну криву, щоб поєднувати кольори сусідніх пікселів разом при збільшенні зображення. Білінеар використовує лінійну криву функцій, тоді як Bicubic використовує кубічну функцію кривої сплайну (cspline). Бікубічна фільтрація, як правило, дає більш плавні результати, проте обидва алгоритми в кінцевому рахунку поєднують значення сусідніх пікселів разом за допомогою кривої функції, щоб "заповнити прогалини" при збільшенні зображення. Слід зазначити, що бикубическое масштабування, як правило, без втрат, оскільки насправді генерується лише простір між оригінальними пікселями. Залежно від нюансів конкретних реалізацій, оригінальні пікселі можуть дещо змінюватись, однак здебільшого оригінальні дані зберігаються та створюються нові дані для заповнення у міру збільшення зображення.
Фрактальний підхід до масштабування зображення передбачає зовсім інший підхід. Більш складні алгоритми використовуються для аналізу вмісту зображення, ідентифікації ребер та "об'єктів" і в кінцевому підсумку перетворення зображення у фрактальний векторний формат. Після того, як зображення векторизується, його можна масштабувати «без втрат» у векторному просторі, а потім відтворювати у великому розмірі. Фрактальні алгоритми, такі як справжні фрактали, використовують алгоритм фрактального вектора для масштабування зображення, зберігаючи гладкі, гострі краї. Цей підхід корисний, коли ваше зображення спочатку має гострі та впізнавані краї як ключовий фактор, і важливо підтримувати чітку чіткість цих країв.
Крім того, справжні фрактали намагаються підтримувати некрайові деталі за допомогою концепції "самоподібності", зберігаючи деталізацію, вважаючи, що вміст зображення є фрактальним за своєю суттю, і відтворює некрайовий вміст із фрактальних алгоритмів. Це має передбачувану перевагу, а не просто виготовлення інформації з сусідніх пікселів, новий вміст може генеруватися із шаблонів, що складаються з багатьох пікселів. Цей підхід може чудово працювати при збільшенні масштабу приблизно на 200%, однак основний вектор масштабування стає більш очевидним при масштабуванні на більші розміри. Слід також зазначити, що цей метод масштабування не є без втрат, і деякі дрібні піксельні деталі можуть бути відкинуті, коли алгоритм намагається знайти фракталвізерунки, які можна повторити. Екстремальний масштаб може призвести до видимої реплікації візерунка, а дрібні деталі краю можуть бути стерті з метою збереження гладких, гострих країв усіх розмірів зображення.
BenVista також пропонує фірмовий алгоритм, який отримав назву S-Spline. Мало інформації про специфіку цього алгоритму, однак це схоже на інший алгоритм, заснований на кривій функції. Масштабування S-Spline Max у PhotoZoom Pro, як і справжні фрактали, робить чудову роботу, підтримуючи визначення краю. Цей алгоритм також здатний масштабувати приблизно до 200% або близько того, проте висування цього алгоритму набагато далі призводить до видимої деградації деталей і згладжування деталей. Здається, загальним компромісом в алгоритмах масштабування є або максимальне визначення краю, або максимальне збереження деталей. Слід також зауважити, що більшість сторонніх алгоритмів масштабування, включаючи справжні фрактали та BenVista PhotoZoom Pro, автоматично застосовують нечітку маску до кінцевого зображення за замовчуванням.
Використовувати двостулкові в ітераційному порядку можна. Основна суть двостулкового масштабування полягає в тому, що він створює більше інформації, чим більший масштаб, за ціною різкості. Виконуючи бикубическое масштабування з кроком 3-5%, ви зберігаєте набагато більш оригінальні або майже оригінальні деталі, і створюєте набагато менше зображення на кожному кроці. Кінцеві результати ітеративного (або ступінчастого) бікубічного масштабування можуть підтримувати значно більшу межу визначення, не втрачаючи дрібних деталей. Вартість, однак, набагато більша особиста інвестиція в масштабування, оскільки на даний момент немає збірних додатків, які б це зробили для вас. Вам потрібно вручну обчислити нову ширину та висоту зображення на кожному кроці, помноживши попередню ширину чи висоту на відсоток масштабування та підключивши це число до програми редагування зображень " s двобічний інструмент масштабування. Кінцеві результати можуть бути чудовими та настільки ж гострими, як велосипедне зображення без чіткого маскування. Обмеження щодо масштабування масштабування зображення без видимого збитку набагато перевищує інші алгоритми, принаймні 400%, можливо більше.