抗锯齿下采样（Anti-aliasing/down-sampling）-python-numpy 实现

抗锯齿下采样（Anti-aliasing/down-sampling）-python-numpy 实现

这篇内容会涉及：卷积和抗锯齿下采样。代码请访问：https://github.com/LonglongaaaGo/ComputerVision

问题描述

如果直接对图片进行上采样，比如说用nearest 线性插值，我们能够发现上采样的图片会有很多锯齿，如上篇 从Nearest插值到Bilinear插值的分析与python实现。
其实如果直接进行下采样，也会出现这个问题，效果如图所示：

上图，左边是原图（小修沟），右边是下采样后的图。为了看清区别，我特意对其放大处理（不然太小了看不见）。可以看到右边明显有很厉害的锯齿。

抗锯齿下采样（Anti-aliasing/down-sampling）

我们肯定希望是下采样的结果也尽可能平滑，因为那样子看起来更美观。所以就有一种技术叫抗锯齿下采样（Anti-aliasing/down-sampling），这个技术也比较简单，就是两个流程：
1.首先先对图片进行box filter，得到较为平滑的图片。
2. 对平滑的图片进行下采样。

卷积

卷积的计算如上图所示（图片来自），简单来讲就是我们设定好一个滤波核，然后这个滤波核从左上角到右下角进行移动，并且得到的点赋值到新的特征图上。可以看到就是简单的加权求和。

box filter

在此基础上，（图片来自），我们设定好一个box filter, 就是用来normalize 这个$N\times M$ 的区域。 意思就是假设我们设定一个$N\times M$大小的 filter（或者叫kernel），每个单元就是值为$\frac{1}{N\times M}$的标量。

下采样

最后就是滤波完之后下采样，可以直接Nearest插值，对尺寸都缩放到原来的1/2 即可。具体方法可以访问上篇 从Nearest插值到Bilinear插值的分析与python实现。

最终效果

最终效果如图所示，左边是未经过抗锯齿的结果，右边是经过抗锯齿的结果。可以发现右边的结果明显平滑很多，也没有了锯齿。

具体实现细节，可以看看代码，非常好理解。