Використання технологій передискретизації для репродукування зображень з низькою роздільною здатністю
DOI:
https://doi.org/10.20535/2077-7264.2(76).2022.267428Ключові слова:
система управління кольором, модель, передискретизація, роздільна здатністьАнотація
В статті розглядається проблема збільшення роздільної здатності зображень, що означає зміну величини пікселів світлини та збільшення їх кількості на одиницю довжини (дюйм). Для покращення якості нечітких світлин на практиці застосовують різні алгоритми, які в автоматичному режимі збільшують роздільну здатність зображень. Однак, деякі з цих алгоритмів мають обмежену сферу застосовування, орієнтуються тільки на певний тип зображень (наприклад, світлини обличчя під певним кутом зору). В роботі проаналізовано вирішення проблеми збільшення роздільної здатності зображення за допомогою різних інструментальних програмних засобів.
Фотографи під збільшенням роздільної здатності зображення, як правило, мають на увазі збільшення кількості пікселів. Звичайно, недостатньо простого додавання пікселів, якщо видима якість зображення світлини не покращиться. На жаль, отримати гарну світлину з оригіналу з низькою роздільною здатністю непросто, проте й не неможливо. Більшість основних програм постобробки дозволяє збільшити кількість пікселів зображення. Труднощі ж у тому, щоб отримати якісь значимі деталі (чи ілюзію). Залежно від програмного забезпечення, у кращому випадку зображення буде просто виглядати не у фокусі, зате без пікселів, що кидаються в очі.
Обране для вирішення проблеми інструментальне програмне забезпечення із завданням справляється належним чином, незалежно від цього, з яким типом зображення працює. Виявлено наскільки якісно збільшується роздільна здатність за допомогою безкоштовного онлайн-редактора Photo Enlarger, хоч у нього і не такий широкий інструментарій, як у деяких інших програм. Очевидно, він призначений скоріше для невеликих завдань у повсякденній роботі. Photoshop Preserve Details 2.0 зміг перевершити його за якісними показниками, цей алгоритм знаходиться на іншому рівні.
Посилання
Pérez-Rodríguez, F., & Gómez-García, E. (2019). Codelplant: Regression-based processing of RGB images for color models in plant image segmentation. Computers and Electronics in Agriculture, Vol. 163, Article 104880.
Cho, S., & Byun, H. (2022). Dynamic curve color model for image matting. Pattern Recognition Letters, Vol. 33, 920–933.
Gu, C., Lu, X. & Zhang, C. (2022). Example-based color transfer with Gaussian mixture modeling. Pattern Recognition, Vol. 129.
Lu, P., Peng, X., & Wang, X. (2016). Image color harmony modeling through neighbored co-occurrence colors. Neurocomputing, Vol. 201, 82–91.
Schloss, K. B., Lessard L., & Hurlbert, A. C. (2017). Modeling color preference using color space metrics. Vision Research, Vol. 151, 99–116.
Pulla, V., & Serrano, X. (2015). Modeling of a neuro fuzzy system to develop an efficient method to get a specific color paint from the color model cyan, magenta and yellow (CMY) under terms of open source. Procedia Computer Science, Vol. 61, 486–491.
Wu, L., Zhang, X., & Zhou, Y. (2020). Unsupervised quaternion model for blind colour image quality assessment. Signal Processing, Vol. 176, Article 107708.
Afanasyev, D. V., & Zorenko, Ya. V. (2019). Systematyzatsiia tekhnolohii stysnennia zobrazhen u system polihrafichnoho reprodukuvannia [Systematization of image compression technologies in polygraphic reproduction systems]. Tekhnolohiia i tekhnika drukarstva, 1(63), 45-57. DOI: https://doi.org/10.20535/2077-7264.1(63).2019.166144 [in Ukrainian].
Kovalskyi, B. M. (2020) Informatsiina tekhnolohiia koloropodilu zobrazhennia [Information technology of image color separation]. Lviv: Ukr. akad. drukarstva, 36–58 p. [in Ukrainian].
Petrova, K., Zelenyi, O., & Deineko, Zh. (2022). Peredumovy vrakhuvannia kolirnoho prostoru pry vybori tekhnolohii dlia obrobky zobrazhen. Polihrafichni, multymediini ta web-tekhnolohii, 74–75 [in Ukrainian].
Bereg, S., Ma, F., & Zhu, B. (2018). On some matching problems under the color-spanning model. Theoretical Computer Science, Vol. 786, 26–31.
Lu, P., Peng, X. & Wang, X. (2015). Towards aesthetics of image: A Bayesian framework for color harmony modeling. Signal Processing: Image Communication, Vol. 39, 487–498.
Kovalskyi, B. M., Dudyak, V. O., Zanko, N. V., & Pysanchyn, N. S. (2018). Vzaiemozv’iazok osnovopolozhnykh poniat teorii koloru z kolorovidtvorenniam u suchasnykh tsyfrovykh systemakh [The relationship between the basic concepts of color theory and color reproduction in modern digital systems]. Printing and publishing, 1(75), 19–30 [in Ukrainian].
Issledovateli II obnaruzhili predel raspikselizatsii lits na foto. Retrieved from https://habr.com/ru/news/t/508352/.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2022 Володимир Пилипович Ткаченко, Андрій Сергійович Гордєєв
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons CC BY для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов’язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
