이중선형 보간: 쌍선형 보간을 통해 이미지 해상도 및 선명도 향상
By Fouad Sabry
()
About this ebook
쌍선형 보간법이란
수학에서 쌍선형 보간법은 반복된 선형 보간법을 사용하여 두 변수의 함수를 보간하는 방법입니다. 이는 일반적으로 2D 직선 그리드에서 샘플링된 함수에 적용되지만 임의의 볼록 사변형의 정점에 정의된 함수로 일반화될 수 있습니다.
혜택을 받는 방법
(I) 다음 주제에 대한 통찰 및 검증:
1장: 쌍선형 보간
2장: 보간
3장: 선형 보간
4장: 다항식 보간
5장: 뉴턴 다항식
6장: 라그랑주 다항식
7장: 스플라인 보간
8장: 3차 에르미트 스플라인
9장: 삼선형 보간
10장: 쌍삼차 보간
(II) 공개 상단 응답 쌍선형 보간법에 관한 질문.
(III) 다양한 분야에서 쌍선형 보간법을 사용하는 실제 사례.
이 책의 대상 독자
전문가, 학부 및 대학원생, 매니아, 취미생활자, 모든 종류의 이중선형 보간법에 대한 기본 지식이나 정보를 넘어서고 싶은 사람들.
Read more from Fouad Sabry
자율 사물의 새로운 기술 [Korean]
Related to 이중선형 보간
Titles in the series (100)
히스토그램 균등화: 향상된 시각적 인식을 위한 이미지 대비 향상 Rating: 0 out of 5 stars0 ratings감마 보정: 컴퓨터 비전의 시각적 선명도 향상: 감마 보정 기술 Rating: 0 out of 5 stars0 ratings컴퓨터 스테레오 비전: 컴퓨터 비전의 깊이 인식 탐구 Rating: 0 out of 5 stars0 ratings이방성 확산: 이방성 확산을 통한 이미지 분석 향상 Rating: 0 out of 5 stars0 ratings톤 매핑: 톤 매핑: 컴퓨터 비전의 관점 밝히기 Rating: 0 out of 5 stars0 ratings수중 컴퓨터 비전: 파도 밑에서 컴퓨터 비전의 깊이 탐구 Rating: 0 out of 5 stars0 ratings이미지 히스토그램: 시각적 통찰력 공개, 컴퓨터 비전의 이미지 히스토그램 깊이 탐색 Rating: 0 out of 5 stars0 ratings아핀 변환: 시각적 관점 잠금 해제: 컴퓨터 비전의 아핀 변환 탐색 Rating: 0 out of 5 stars0 ratings레티넥스: 레티넥스 를 통해 컴퓨팅 비전의 비밀을 밝히다 Rating: 0 out of 5 stars0 ratings시각적 인식: 컴퓨터 시각적 처리에 대한 통찰력 Rating: 0 out of 5 stars0 ratings인페인팅: 컴퓨터 비전의 격차 해소 Rating: 0 out of 5 stars0 ratings이미지 압축: 시각적 데이터 최적화를 위한 효율적인 기술 Rating: 0 out of 5 stars0 ratings컴퓨터 시각 인식: 컴퓨터 비전의 깊이 탐구 Rating: 0 out of 5 stars0 ratings허프 변환: 컴퓨터 비전에서 Hough 변환의 마법 공개 Rating: 0 out of 5 stars0 ratings가장자리 감지: 컴퓨터 비전의 경계 탐색 Rating: 0 out of 5 stars0 ratings색 공간: 컴퓨터 비전의 스펙트럼 탐색 Rating: 0 out of 5 stars0 ratings라돈 변환: 시각적 데이터에 숨겨진 패턴 밝히기 Rating: 0 out of 5 stars0 ratings필터 뱅크: 컴퓨터 비전의 필터 뱅크 기술에 대한 통찰력 Rating: 0 out of 5 stars0 ratings공동 사진 전문가 그룹: JPEG 표준으로 시각적 데이터의 힘 활용 Rating: 0 out of 5 stars0 ratings해리스 코너 감지기: 이미지 특징 감지의 마법 공개 Rating: 0 out of 5 stars0 ratings하다마드 변환: 컴퓨터 비전에서 아다마르 변환의 힘 공개 Rating: 0 out of 5 stars0 ratings인간 시각 시스템 모델: 인식 및 처리 이해 Rating: 0 out of 5 stars0 ratings소음 감소: 선명도 향상, 컴퓨터 비전의 노이즈 감소를 위한 고급 기술 Rating: 0 out of 5 stars0 ratings지향성 그라디언트 히스토그램: 시각적 영역 공개: 컴퓨터 비전에서 지향성 그라데이션 히스토그램 탐색 Rating: 0 out of 5 stars0 ratings호모그래피: 호모그래피: 컴퓨터 비전의 변화 Rating: 0 out of 5 stars0 ratings컬러 매칭 기능: 컴퓨터 비전의 스펙트럼 감도 이해 Rating: 0 out of 5 stars0 ratings윤곽선 감지: 컴퓨터 비전의 시각적 인식 기술 공개 Rating: 0 out of 5 stars0 ratings컬러 모델: 컴퓨터 비전의 스펙트럼 이해: 색상 모델 탐색 Rating: 0 out of 5 stars0 ratings무작위 표본 합의: 컴퓨터 비전의 강력한 추정 Rating: 0 out of 5 stars0 ratings얼룩 감지: 시각적 데이터의 패턴 공개 Rating: 0 out of 5 stars0 ratings
Related ebooks
직접 선형 변환: 컴퓨터 비전의 실제 응용 및 기술 Rating: 0 out of 5 stars0 ratings허프 변환: 컴퓨터 비전에서 Hough 변환의 마법 공개 Rating: 0 out of 5 stars0 ratings선 그리기 알고리즘: 정밀한 이미지 렌더링을 위한 마스터링 기법 Rating: 0 out of 5 stars0 ratings기하학적 해싱: 이미지 인식 및 매칭을 위한 효율적인 알고리즘 Rating: 0 out of 5 stars0 ratings브레센햄 라인 알고리즘: 컴퓨터 비전을 위한 효율적인 픽셀 완벽한 라인 렌더링 Rating: 0 out of 5 stars0 ratings해리스 코너 감지기: 이미지 특징 감지의 마법 공개 Rating: 0 out of 5 stars0 ratings컴퓨터 비전 기본 매트릭스: '컴퓨터 비전' 영역에 '컴퓨터 비전 기본 매트릭스'라는 제목의 책 부제를 제안해주세요. 추천 자막에는 ':'이 포함되어서는 안 됩니다. Rating: 0 out of 5 stars0 ratings번들 조정: 정확한 재구성을 위한 시각적 데이터 최적화 Rating: 0 out of 5 stars0 ratings광학 흐름: 컴퓨터 비전의 동적 시각적 패턴 탐색 Rating: 0 out of 5 stars0 ratings스케일 불변 특징 변환: 컴퓨터 비전에서 규모 불변 기능 변환의 힘 공개 Rating: 0 out of 5 stars0 ratings가장자리 감지: 컴퓨터 비전의 경계 탐색 Rating: 0 out of 5 stars0 ratings모션 필드: 컴퓨터 비전의 역학 탐구: 모션 필드 공개 Rating: 0 out of 5 stars0 ratings계산 기하학: 컴퓨터 비전을 위한 기하학적 통찰력 탐구 Rating: 0 out of 5 stars0 ratings도형 기하학: 시각적 영역 잠금 해제: 컴퓨터 비전의 기술 기하학 탐색 Rating: 0 out of 5 stars0 ratings라돈 변환: 시각적 데이터에 숨겨진 패턴 밝히기 Rating: 0 out of 5 stars0 ratings이미지 히스토그램: 시각적 통찰력 공개, 컴퓨터 비전의 이미지 히스토그램 깊이 탐색 Rating: 0 out of 5 stars0 ratings핀홀 카메라 모델: 전산 광학을 통한 관점 이해 Rating: 0 out of 5 stars0 ratings기하학적 원형: 컴퓨터 비전의 기초 및 응용 프로그램 탐색 Rating: 0 out of 5 stars0 ratings얼룩 감지: 시각적 데이터의 패턴 공개 Rating: 0 out of 5 stars0 ratings피라미드 이미지 처리: 시각적 분석의 깊이 탐구 Rating: 0 out of 5 stars0 ratings규모 공간: 컴퓨터 비전의 차원 탐색 Rating: 0 out of 5 stars0 ratings히스토그램 균등화: 향상된 시각적 인식을 위한 이미지 대비 향상 Rating: 0 out of 5 stars0 ratings활성 윤곽: 능동 윤곽 기술을 통한 컴퓨터 비전의 발전 Rating: 0 out of 5 stars0 ratings이미지 기반 모델링 및 렌더링: 시각적 현실주의 탐구: 컴퓨터 비전 기술 Rating: 0 out of 5 stars0 ratings절차적 표면: 컴퓨터 비전에서 텍스처 생성 및 분석 탐색 Rating: 0 out of 5 stars0 ratings2차원 기하학적 모델: 컴퓨터 비전의 이해와 응용 Rating: 0 out of 5 stars0 ratings퐁 반사 모델: 컴퓨터 비전의 빛 상호 작용 이해 Rating: 0 out of 5 stars0 ratings멀티뷰 3차원 재구성: 컴퓨터 비전의 공간 인식을 위한 고급 기술 Rating: 0 out of 5 stars0 ratings아핀 변환: 시각적 관점 잠금 해제: 컴퓨터 비전의 아핀 변환 탐색 Rating: 0 out of 5 stars0 ratings컴퓨터 비전 그래프 컷: 컴퓨터 비전의 그래프 컷 탐색 Rating: 0 out of 5 stars0 ratings
Reviews for 이중선형 보간
0 ratings0 reviews
Book preview
이중선형 보간 - Fouad Sabry
챕터 1: 쌍선형 보간
쌍선형 보간은 반복되는 선형 보간을 사용하여 변수가 두 개인 함수(예: x 및 y)를 보간하는 기술입니다. 2D 직선 그리드에서 샘플링된 함수에 적용되는 경우가 많지만 임의의 볼록 사변형의 꼭짓점에 지정된 함수로 확장할 수 있습니다.
쌍선형 보간은 한 방향으로 선형 보간을 사용한 다음 다른 방향으로 선형 보간을 사용하여 수행됩니다. 각 단계는 샘플링된 값과 위치 측면에서 선형이지만 전체적으로 보간은 샘플 위치 측면에서 2차입니다.
쌍선형 보간은 컴퓨터 비전 및 이미지 처리의 기본 리샘플링 방법 중 하나이며, 쌍선형 필터링 및 쌍선형 텍스처 매핑이라고도 합니다.
위치 (x, y), y)에서 알 수 없는 함수 f의 값을 결정하려고 한다고 가정합니다.
Q11 = (x1, y1), Q12 = (x1, y2), Q21 = (x2, y1) 및 Q22 = (x2, y2)의 네 점에서 f의 값을 알고 있다고 가정합니다.
먼저 x축을 따라 선형 보간을 수행합니다. 이것은 다음과 같이 이어집니다.
{\displaystyle {\begin{aligned}f(x,y_{1})={\frac {x_{2}-x}{x_{2}-x_{1}}}f(Q_{11})+{\frac {x-x_{1}}{x_{2}-x_{1}}}f(Q_{21}),\\f(x,y_{2})={\frac {x_{2}-x}{x_{2}-x_{1}}}f(Q_{12})+{\frac {x-x_{1}}{x_{2}-x_{1}}}f(Q_{22}).\end{aligned}}}그런 다음 y축을 따라 보간하여 적절한 추정치를 얻습니다.
{\displaystyle {\begin{aligned}f(x,y)&={\frac {y_{2}-y}{y_{2}-y_{1}}}f(x,y_{1})+{\frac {y-y_{1}}{y_{2}-y_{1}}}f(x,y_{2})\\&={\frac {y_{2}-y}{y_{2}-y_{1}}}\left({\frac {x_{2}-x}{x_{2}-x_{1}}}f(Q_{11})+{\frac {x-x_{1}}{x_{2}-x_{1}}}f(Q_{21})\right)+{\frac {y-y_{1}}{y_{2}-y_{1}}}\left({\frac {x_{2}-x}{x_{2}-x_{1}}}f(Q_{12})+{\frac {x-x_{1}}{x_{2}-x_{1}}}f(Q_{22})\right)\\&={\frac {1}{(x_{2}-x_{1})(y_{2}-y_{1})}}\left(f(Q_{11})(x_{2}-x)(y_{2}-y)+f(Q_{21})(x-x_{1})(y_{2}-y)+f(Q_{12})(x_{2}-x)(y-y_{1})+f(Q_{22})(x-x_{1})(y-y_{1})\right)\\&={\frac {1}{(x_{2}-x_{1})(y_{2}-y_{1})}}{\begin{bmatrix}x_{2}-x&x-x_{1}\end{bmatrix}}{\begin{bmatrix}f(Q_{11})&f(Q_{12})\\f(Q_{21})&f(Q_{22})\end{bmatrix}}{\begin{bmatrix}y_{2}-y\\y-y_{1}\end{bmatrix}}.\end{aligned}}}보간이 먼저 y 방향을 따라 수행된 다음 x 방향을 따라 수행되는 경우 결과는 동일합니다.
또는 보간 문제에 대한 해를 다선형 다항식으로 표현할 수 있습니다.
{\displaystyle f(x,y)\approx a_{00}+a_{10}x+a_{01}y+a_{11}xy,}여기서 계수는 선형 시스템 솔루션을 통해 결정됩니다.
{\displaystyle {\begin{aligned}{\begin{bmatrix}1&x_{1}&y_{1}&x_{1}y_{1}\\1&x_{1}&y_{2}&x_{1}y_{2}\\1&x_{2}&y_{1}&x_{2}y_{1}\\1&x_{2}&y_{2}&x_{2}y_{2}\end{bmatrix}}{\begin{bmatrix}a_{00}\\a_{10}\\a_{01}\\a_{11}\end{bmatrix}}={\begin{bmatrix}f(Q_{11})\\f(Q_{12})\\f(Q_{21})\\f(Q_{22})\end{bmatrix}},\end{aligned}}}결과 산출
{\displaystyle {\begin{aligned}{\begin{bmatrix}a_{00}\\a_{10}\\a_{01}\\a_{11}\end{bmatrix}}={\frac {1}{(x_{2}-x_{1})(y_{2}-y_{1})}}{\begin{bmatrix}x_{2}y_{2}&-x_{2}y_{1}&-x_{1}y_{2}&x_{1}y_{1}\\-y_{2}&y_{1}&y_{2}&-y_{1}\\-x_{2}&x_{2}&x_{1}&-x_{1}\\1&-1&-1&1\end{bmatrix}}{\begin{bmatrix}f(Q_{11})\\f(Q_{12})\\f(Q_{21})\\f(Q_{22})\end{bmatrix}}.\end{aligned}}}답은 f 값(Q)의 가중 평균으로도 표현할 수 있습니다.
{\displaystyle f(x,y)\approx w_{11}f(Q_{11})+w_{12}f(Q_{12})+w_{21}f(Q_{21})+w_{22}f(Q_{22}),}가중치의 합이 1이고 전치된 선형 시스템이 충족되는 경우
{\displaystyle {\begin{bmatrix}1&1&1&1\\x_{1}&x_{1}&x_{2}&x_{2}\\y_{1}&y_{2}&y_{1}&y_{2}\\x_{1}y_{1}&x_{1}y_{2}&x_{2}y_{1}&x_{2}y_{2}\end{bmatrix}}{\begin{bmatrix}w_{11}\\w_{12}\\w_{21}\\w_{22}\end{bmatrix}}={\begin{bmatrix}1\\x\\y\\xy\end{bmatrix}},}결과 산출
{\displaystyle {\begin{aligned}{\begin{bmatrix}w_{11}\\w_{21}\\w_{12}\\w_{22}\end{bmatrix}}={\frac {1}{(x_{2}-x_{1})(y_{2}-y_{1})}}{\begin{bmatrix}x_{2}y_{2}&-y_{2}&-x_{2}&1\\-x_{2}y_{1}&y_{1}&x_{2}&-1\\-x_{1}y_{2}&y_{2}&x_{1}&-1\\x_{1}y_{1}&-y_{1}&-x_{1}&1\end{bmatrix}}{\begin{bmatrix}1\\x\\y\\xy\end{bmatrix}},\end{aligned}}}이는 단순화합니다.
{\displaystyle {\begin{aligned}w_{11}&=(x_{2}-x)(y_{2}-y)/((x_{2}-x_{1})(y_{2}-y_{1})),\\w_{12}&=(x_{2}-x)(y-y_{1})/((x_{2}-x_{1})(y_{2}-y_{1})),\\w_{21}&=(x-x_{1})(y_{2}-y)/((x_{2}-x_{1})(y_{2}-y_{1})),\\w_{22}&=(x-x_{1})(y-y_{1})/((x_{2}-x_{1})(y_{2}-y_{1})),\end{aligned}}}연속적인 선형 보간의 결과와 일치합니다. 가중치 컬렉션은 일반화된 사각형에 대한 무게 중심 좌표 집합으로 해석될 수도 있습니다.
위의 사항을 고려하면
{\displaystyle {\begin{aligned}f(x,y)\approx {\frac {1}{(x_{2}-x_{1})(y_{2}-y_{1})}}{\begin{bmatrix}f(Q_{11})&f(Q_{12})&f(Q_{21})&f(Q_{22})\end{bmatrix}}{\begin{bmatrix}x_{2}y_{2}&-y_{2}&-x_{2}&1\\-x_{2}y_{1}&y_{1}&x_{2}&-1\\-x_{1}y_{2}&y_{2}&x_{1}&-1\\x_{1}y_{1}&-y_{1}&-x_{1}&1\end{bmatrix}}{\begin{bmatrix}1\\x\\y\\xy\end{bmatrix}}.\end{aligned}}}f가 알려진 네 위치가 (0, 0), (1, 0), (0, 1) 및 (1, 1)인 경우 보간 공식은 다음과 같이 줄어듭니다.
{\displaystyle f(x,y)\approx f(0,0)(1-x)(1-y)+f(1,0)x(1-y)+f(0,1)(1-x)y+f(1,1)xy,}이에 따라 행렬 연산에서 :
{\displaystyle f(x,y)\approx {\begin{bmatrix}1-x&x\end{bmatrix}}{\begin{bmatrix}f(0,0)&f(0,1)\\f(1,0)&f(1,1)\end{bmatrix}}{\begin{bmatrix}1-y\\y\end{bmatrix}}.}또한 가중치를 인정합니다.
{\displaystyle {\begin{aligned}w_{11}&=(1-x)(1-y),\\w_{12}&=(1-x)y,\\w_{21}&=x(1-y),\\w_{22}&=xy.\end{aligned}}}또는 단위 제곱 보간은 다음과 같이 표현할 수 있습니다.
{\displaystyle f(x,y)=a_{00}+a_{10}x+a_{01}y+a_{11}xy,}어디
{\displaystyle {\begin{aligned}a_{00}&=f(0,0),\\a_{10}&=f(1,0)-f(0,0),\\a_{01}&=f(0,1)-f(0,0),\\a_{11}&=f(1,1)-f(1,0)-f(0,1)+f(0,0).\end{aligned}}}4개의 상수는 두 경우 모두에서 f가 주어지는 데이터 포인트의 수에 해당합니다.
이름에서 알 수 있듯이 쌍선형 보간은 선형이 아닙니다. 그럼에도 불구하고 x 또는 y가 일정하게 유지되는 경우 x 또는 y 축에 평행 한 선을 따라 선형입니다 (즉, affine). 다른 직선의 보간은 2차입니다. 보간이 위치(x 및 y)에서 선형이 아니더라도 보간 값은 앞의 (행렬) 계산에 표시된 것처럼 고정된 점에서 선형입니다.
쌍선형 보간은 어떤 축이 먼저 보간되고 어떤 축이 두 번째로 보간되는지에 관계없이 동일한 결과를 생성합니다. x 방향보다 y 방향으로 선형 보간을 수행했다면 결과 근사치는 동일했을 것입니다.
보간은 쌍선형 다항식을 사용하여 수행되며 고조파 함수에 대한 라플라스 방정식도 충족합니다.
그래프는 쌍선형 베지어 표면 패치입니다.
보간은 무한대의 점(쌍곡선 분기 생성)에서 모든 값(꼭짓점 값의 볼록 껍질 내)을 가정하기 때문에 반전할 수 없습니다.
벡터장을 보간할 때와 같이 두 함수에 쌍선형 보간을 동시에 사용하는 경우 보간은 반전 가능합니다(특정 조건에서). 특히, 이 역은 볼록 사각형 내에 위치한 점의 단위 제곱 좌표
를 결정하는 데 사용할 수 있습니다(사각형의 좌표를 단위 제곱에서 이중으로 보간되는 벡터장으로 간주함으로써). 이 방법을 사용하면 모든 볼록 사변형에 쌍선형 보간을 적용할 수 있지만 사변형이 평행사변형이 아닌 경우 계산이 훨씬 더 어렵습니다. 쌍선형 변환, 쌍선형 뒤틀림 또는 쌍선형 왜곡은 사변형 사이의 결과 맵을 설명합니다.
또 다른 방법은 사변형과 단위 제곱 사이에 투영 매핑을 사용하는 것이지만, 결과로 생성되는