Yüksək keyfiyyətli böyütmə

Rəqəmsal böyütmə mahiyyətcə qeyri-korrekt qoyulmuş riyazi tərs məsələdir. $W_1 \times H_1$ ölçülü orijinal şəkil nümunələnmiş piksel dəyərlərinin sonlu, diskret şəbəkəsini ehtiva edir. Həmin şəkli $W_2 \times H_2$-yə ($W_2 > W_1$ olmaqla) böyütmək əvvəlcə heç bir optik məlumatın qeyd edilmədiyi məkan koordinatlarında milyonlarla yeni piksel dəyəri yaratmağı tələb edir.

Bu çatışmayan pikselləri sintez etmək üçün yenidən nümunələmə alqoritmləri qonşu mənbə pikselləri üzrə fasiləsiz 2D bərpa filtrini qiymətləndirir:

$$I(x, y) = \sum_{i} \sum_{j} I_{\text{orig}}(i, j) \, K(x - i) \, K(y - j)$$ burada $K(t)$ məkan interpolyasiya nüvəsini ifadə edir. Bu nüvənin riyazi formulası böyüdülmüş şəklin bloklu, bulanıq və ya ülgüc kimi kəskin görünəcəyini müəyyən edir.

Böyütmə mühərrikimiz konkret vizual məqsədlərə uyğunlaşdırılmış dəqiq interpolyasiya nüvələrindən istifadə edir: • Ən yaxın qonşu (Box filtri): Sadəcə ən yaxın mövcud pikseli təkrarlayır. Sürətli olsa da, böyük bloklu kvadratlar və kələ-kötür pilləli kənarlar yaradır. Lakin kəskin həndəsi piksellərin bədii olaraq tələb olunduğu retro piksel sənəti, 8 bitlik spraytlar və Minecraft teksturalarını böyütmək üçün qızıl standartdır. • Bilinear interpolyasiya: Ətrafdakı 4 pikselin xətti çəkili ortalamasını hesablayır. Hamar olsa da, yüksək kontrastlı kənarları yumşaldır və diaqonal xətlər boyunca nəzərəçarpan bulanıqlığa səbəb olur. • Bikubik konvolyusiya (Mitchell-Netravali / Catmull-Rom): 16 qonşu pikseldən ibarət $4 \times 4$ şəbəkə üzrə kubik polinom splaynını qiymətləndirir. Həm məsafəni, həm də törəmə qradiyentlərini nəzərə alaraq bikubik interpolyasiya vizual pillələnmənin qarşısını alarkən kəskin kənar kontrastını qoruyur. • Lanczos pəncərəli sinc filtrləməsi: Kosinus zəngi ilə pəncərələnmiş sinc funksiyasını qiymətləndirir (36 pikseldən ibarət $6 \times 6$ şəbəkə üzrə $a = 3$ ləçək): $L(x) = \frac{a \sin(\pi x) \sin(\pi x / a)}{\pi^2 x^2}$. Lanczos müstəsna yüksək tezlikli detal bərpası təmin edir və onu foto böyütmə üçün ən yaxşı seçim edir.

Aqressiv polinom və sinc böyütməsində məşhur optik artefakt Gibbs fenomenidir — adətən 'halqalanma' və ya 'kənar aşması' adlanır. İnterpolyasiya filtri kəskin pilləli keçidi (məsələn, təmiz ağ fon üzərində yüksək kontrastlı qara mətn) emal etdikdə sinc dalğasının riyazi rəqsi sərhədin hər iki tərəfində solğun, parlayan halo xətləri yaradır.

Böyütmə mühərrikimiz ağıllı halqalanma əleyhinə məhdudlaşdırıcı ehtiva edir. Alqoritm hər interpolyasiya edilmiş pikselin $4 \times 4$ qonşuluğu daxilində yerli minimum və maksimum parlaqlıq dəyərlərini izləyir. Bərpa edilmiş dəyər bu təbii sərhədləri aşarsa, mühərrik qeyri-təbii haloların qarşısını almaq üçün pikseli məhdudlaşdırır və tipoqrafiyanın və siluetlərin təmiz, kəskin və artefaktsız qalmasını təmin edir.

Şəkil böyütməsinin ən çox rast gəlinən real tətbiqi kommersiya çap istehsalıdır. Rəqəmsal ekranlar şəkilləri rahatlıqla 72–150 DPI-da göstərir, lakin kommersiya ofset presləri, jurnal nəşriyyatları və foto laboratoriyaları pikselləşmiş çap nəticələrinin qarşısını almaq üçün ciddi şəkildə 300 DPI (düym başına nöqtə) tələb edir.

$1200 \times 800$ piksel ölçülü e-ticarət məhsul şəklini nəzərdən keçirin. 300 DPI-da həmin şəkil cəmi kiçik $4 \times 2.67$ düym ölçüdə çap oluna bilər. Onu tam A4 jurnal səhifəsində ($8.27 \times 11.69$ düym) çap etmək təxminən $2480 \times 3508$ piksel tələb edir. Mənbə şəklinizi alətimizlə 2x və ya 3x böyütmək hamar qradiyentlər, kəskin mətn və peşəkar çap dəqiqliyi təqdim edərək çapqabağı meyarları ödəyir.

Son illərdə generativ süni intellekt 'super-rezolyusiya' modelləri populyarlıq qazanıb. Lakin süni intellekt böyüdücüləri kritik qüsurdan əziyyət çəkir: onlar sadəcə mövcud məlumatı böyütmür; ehtimal təlim məlumatlarına əsaslanaraq tamamilə sintetik detallar uydururlar. Hüquqi məhkəmə sübutlarında, tibbi diaqnostikada, tarixi arxivləşdirmədə və texniki mühəndislik sxemlərində süni intellekt halüsinasiyaları uydurulmuş detallar, təhrif olunmuş üz cizgiləri və oxunmaz psevdo-mətn gətirir.

Alətimiz ciddi şəkildə determinist riyazi nümunələməyə əsaslanır. Hər interpolyasiya edilmiş piksel orijinal çəkilişin həqiqi optik dəyərlərindən riyazi olaraq alınır. Gördüyünüz şey həqiqi fiziki mənbənin sıfır halüsinasiya və süni təhriflə riyazi cəhətdən sadiq, qüsursuz böyüdülməsidir.

Yüksək ölçülü fotonu 4x böyütmək ümumi piksel sayında eksponensial on altı qat ($4^2 = 16\times$) artıma səbəb olur. 4x böyüdülmüş 12 meqapiksellik foto ($4000 \times 3000$) nəhəng 192 meqapiksellik raster kətana ($16000 \times 12000$) çevrilir. Həmin kətanı sıxılmamış 32 bitlik RGBA yaddaşına açmaq $768\text{ MB}$-dan çox bitişik brauzer RAM-ı tələb edir.

Alətimiz yaddaş ayrılmasını son dərəcə diqqətlə idarə edir. Mühərrik mövcud cihaz RAM-ını yoxlayır, təhlükəsiz ölçü sərhədləri tətbiq edir və brauzer tabının çökməsinin qarşısını almaq üçün lazım olduqda hissələrlə yaddaş idarəetməsi icra edir. Korporativ səviyyəli emal gücündən birbaşa brauzer pəncərənizdə zövq alırsınız.

Yaradıcı agentliklər, hüquq firmaları və tibbi klinikalar tez-tez məxfi vizual aktivlərlə işləyirlər: yüksək profilli müştəri kampaniyası önizləmələri, sübut fotoları, kriminalistik sənəd skanları və patent diaqramları. Bu həssas aktivləri uzaq bulud böyütmə platformalarına yükləmək ciddi məlumat sızması və məxfilik riskləri yaradır.

Yüksək keyfiyyətli böyütmə alətimiz 100% veb brauzerinizdə yerli icra olunur. Brauzer tərəfli WebAssembly və HTML5 Canvas üzərində qurulduğu üçün bütün piksel interpolyasiyası, nüvə hesablamaları və fayl seriallaşdırması ciddi şəkildə fiziki cihazınızın RAM-ı daxilində baş verir. Heç bir fayl və ya şəkil şəbəkə üzrə ötürülmür və tam məxfilik və GDPR, HIPAA və korporativ məxfilik siyasətlərinə tam uyğunluq təmin olunur.