如何确定给定类型图像的理想重采样算法？

正在阅读此问题并开始思考。您究竟如何确定最佳的重采样解决方案是什么？尽管有些模糊，但我对基本方法的功能有一个概念。

对于不同类型的图像是否有一些良好的一般规则？例如，对照片使用特定的重采样算法集，对Web图形使用不同的重采样算法？图像的整体颜色，被摄体与背景的对比度等是否会起作用？

在Cambridge上有一系列色彩丰富的非常有用的教程，涉及图像大小调整的主题。

1. 了解图像插值涵盖了图像插值背后的基本理论。
2. Web和Email的图像调整大小包括缩小图像的尺寸以及需要注意的陷阱。
3. 优化数码照片放大同样可以放大图像。

上一篇教程特别好，因为有一张常用的插值算法表以及一张图表，可帮助您直观地看到每种算法在抗锯齿，模糊和边缘光晕方面的权衡。

直接的答案是，最终，您不会。在很多情况下，都归结为口味问题。三个人在查看特定图像的调整大小版本时，可能（而且经常会）对哪一个最好有三种不同的看法。关于您能做的最好的事情就是挑选出您认为重要的图像特征，然后根据该特征选择一种方法。

例如，最接近的邻居在保持直线上的锐利边缘方面做得非常好-比大多数插值方法要好得多。同时，当将其应用于应看起来“平滑”的事物（例如，湛蓝的天空）时，它可能会产生看起来像边缘的伪像。

反之亦然：插值可以帮助平滑渐变，但也可以“平滑”应为锐利边缘的部分。如果您走得太远，可以彻底清除所有细节。

大多数更好的方法在某种程度上都是自适应的。他们进行了大大简化，估计原始数据包含的渐变的“锐度”，并尝试保持与原始数据大致相同的平滑度/锐度。通常通过逐块扫描图片并逐块应用该适配来完成适配。

例如，如果您的景观具有湛蓝的天空和树木，且细节很多（树枝，树叶等），则对树枝的平滑处理将比对天空的平滑处理少。

但是，有多种估计梯度的方法，其中任何一种都不是完美的，还有各种尺寸的窗口，都不是理想的所有图片。即使在自适应算法之间，也留有很大的差异空间。

该站点（图像放大方法比较）在比较不同插值方法方面做得很好。而且，如果您下载他们的工具（SAR图像处理器，版本4.3），则可以实际测量质量差异。

尽管这似乎是一个很好的指南，但它并未回答哪种算法适合哪种类型的图像的问题。

以下摘录了各种插值算法的测试结果。图版权general-cathexis.com。