Resim Çözünürlüğü Yükselt

Dijital büyütme temelde matematiksel olarak ters bir problemdir (ill-posed inverse problem). $W_1 \times H_1$ boyutlarındaki orijinal bir görüntü, sonlu ve ayrık bir örneklenmiş piksel değerleri ızgarası içerir. Bu görüntüyü $W_2 \times H_2$ boyutlarına ($W_2 > W_1$) büyütmek, başlangıçta hiçbir optik verinin kaydedilmediği uzamsal koordinatlarda milyonlarca yeni piksel değeri üretmeyi gerektirir.

Bu eksik pikselleri sentezlemek için yeniden örnekleme algoritmaları, komşu kaynak pikseller üzerinde sürekli 2B yeniden yapılandırma filtresini değerlendirir:

$$I(x, y) = \sum_{i} \sum_{j} I_{\text{orig}}(i, j) \, K(x - i) \, K(y - j)$$ burada $K(t)$ uzamsal enterpolasyon çekirdeğini temsil eder. Bu çekirdeğin matematiksel formülasyonu, büyütülen görüntünün bloklu, bulanık veya jilet gibi keskin görünüp görünmeyeceğini belirler.

Büyütme motorumuz belirli görsel hedeflere göre uyarlanmış hassas enterpolasyon çekirdeklerinden yararlanır: • En Yakın Komşu (Kutu Filtresi): En yakın mevcut pikseli doğrudan yineler. Hızlı olmasına rağmen devasa bloklu kareler ve pürüzlü merdiven kenarları üretir. Ancak keskin geometrik piksellerin sanatsal olarak gerekli olduğu retro piksel sanatı, 8 bitlik spritelar ve Minecraft dokularını büyütmek için altın standarttır. • Çift Doğrusal (Bilinear) Enterpolasyon: Çevreleyen 4 pikselin doğrusal ağırlıklı ortalamasını hesaplar. Yumuşak geçişli olmasına rağmen yüksek kontrastlı kenarları yumuşatır ve çapraz çizgilerde belirgin bulanıklığa neden olur. • Çift Kübik (Bicubic) Evrişim (Mitchell-Netravali / Catmull-Rom): 16 komşu pikselden oluşan $4 \times 4$'lük bir ızgara üzerinde kübik bir polinom eğrisi değerlendirir. Hem mesafeyi hem de türev gradyanlarını hesaba katan çift kübik enterpolasyon, görsel basamaklanmayı önlerken keskin kenar kontrastını korur. • Lanczos Pencereli Sinc Filtreleme: 36 pikselden oluşan $6 \times 6$'lık bir ızgara üzerinde bir kosinüs çanıyla ($a = 3$ lob) pencerelenmiş sinc fonksiyonunu değerlendirir: $L(x) = \frac{a \sin(\pi x) \sin(\pi x / a)}{\pi^2 x^2}$. Lanczos olağanüstü yüksek frekanslı ayrıntı yeniden yapılandırması sağlayarak onu fotoğrafik büyütme için birinci sınıf seçenek haline getirir.

Agresif polinom ve sinc büyütmelerinde kötü şöhretli bir optik yapaylık, yaygın olarak 'çınlama' (ringing) veya 'kenar aşımı' (edge overshoot) olarak adlandırılan Gibbs olgusudur. Bir enterpolasyon filtresi ani bir basamak geçişini (örneğin saf beyaz bir arka plan üzerindeki yüksek kontrastlı siyah bir metin) işlediğinde, sinc dalgasının matematiksel salınımı sınırın etrafında soluk, parlayan hale çizgileri oluşturur.

Büyütme motorumuz akıllı bir çınlama önleyici sınırlama (anti-ringing clamp) içerir. Algoritma her enterpolasyonlu pikselin $4 \times 4$'lük komşuluğu içindeki yerel minimum ve maksimum parlaklık değerlerini izler. Yeniden oluşturulan değer bu doğal sınırları aşarsa, motor doğal olmayan halelenmeyi önlemek için pikseli sınırlar; böylece tipografi ve silüetlerin temiz, keskin ve kusursuz kalmasını sağlar.

Görsel büyütme için en yaygın gerçek dünya uygulaması ticari baskı üretimidir. Dijital ekranlar görselleri 72 ila 150 DPI'da rahatça görüntüler; ancak ticari ofset baskı makineleri, dergi yayıncıları ve fotoğraf laboratuvarları pikselleşmiş baskı sonuçlarını önlemek için kesinlikle 300 DPI (İnç Başına Nokta) zorunlu kılar.

$1200 \times 800$ piksel ölçülerinde bir e-ticaret ürün görselini ele alalım. 300 DPI'da bu görsel yalnızca $4 \times 2.67$ inçlik küçük bir boyutta basılabilir. Bunu tam bir A4 dergi sayfasına ($8.27 \times 11.69$ inç) basmak yaklaşık $2480 \times 3508$ piksel gerektirir. Kaynak görselinizi aracımızla 2 kat veya 3 kat büyütmek baskı öncesi hazırlık kriterlerini karşılayarak pürüzsüz gradyanlar, keskin metinler ve profesyonel baskı doğruluğu sağlar.

Son yıllarda üretken yapay zeka 'süper çözünürlük' modelleri popülerlik kazanmıştır. Ancak yapay zeka tabanlı büyütücüler kritik bir kusurdan muzdariptir: yalnızca mevcut verileri büyütmezler; olasılıksal eğitim verilerine dayalı olarak tamamen sentetik ayrıntılar halüsinasyonu üretirler. Yasal mahkeme kanıtlarında, tıbbi teşhislerde, tarihi arşivlemede ve teknik mühendislik şemalarında yapay zeka halüsinasyonları uydurma ayrıntılar, bozulmuş yüz özellikleri ve okunaksız sahte metinler yaratır.

Aracımız kesinlikle deterministik matematiksel büyütmeye dayanır. Enterpolasyon uygulanan her piksel, orijinal çekimin gerçek optik değerlerinden matematiksel olarak türetilir. Gördüğünüz şey, sıfır halüsinasyon veya yapay bozulma içeren, orijinal fiziksel kaynağın matematiksel olarak sadık ve kusursuz bir büyütmesidir.

Yüksek çözünürlüklü bir fotoğrafı 4 kat büyütmek, toplam piksel sayısında üstel olarak on altı katlık ($4^2 = 16\times$) bir artışa neden olur. 4 kat büyütülen 12 Megapiksellik bir fotoğraf ($4000 \times 3000$), devasa 192 Megapiksellik bir raster tuvale ($16000 \times 12000$) patlar. Bu tuvali sıkıştırılmamış 32 bitlik RGBA belleğine açmak, $768\text{ MB}$'ın üzerinde bitişik tarayıcı RAM'i gerektirir.

Aracımız bellek tahsisini son derece dikkatli bir şekilde yönetir. Motor mevcut cihaz RAM'ini denetler, güvenli boyut sınırlarını zorunlu kılar ve tarayıcı sekmesi çökmelerini önlemek için gerektiğinde döşemeli (tiling) bellek yönetimi yürütür. Tarayıcı pencerenizin içinde kurumsal düzeyde işlem gücünün keyfini çıkarırsınız.

Yaratıcı ajanslar, hukuk firmaları ve tıp klinikleri sıklıkla gizli görsel varlıklarla çalışır: yüksek profilli müşteri kampanya önizlemeleri, kanıt fotoğrafları, adli belge taramaları ve patent şemaları. Bu hassas varlıkları uzak bulut büyütme platformlarına yüklemek ciddi veri sızıntısı ve gizlilik riskleri doğurur.

Görsel Büyütme aracımız web tarayıcınızın içinde %100 yerel olarak çalışır. İstemci tarafı WebAssembly ve HTML5 Canvas üzerine inşa edilen tüm piksel enterpolasyonu, çekirdek hesaplamaları ve dosya serileştirme işlemleri kesinlikle fiziksel cihazınızın RAM belleğinde gerçekleşir. Ağ üzerinden hiçbir dosya veya görsel iletilmez; bu da mutlak gizlilik ile GDPR, HIPAA ve kurumsal gizlilik politikalarına tam uyum sağlar.