數位影像縮放演算法實測 - 續 @ MfA

前篇文章測試了四款軟體共計16種不同擴檔演算法放大品質，在絕大多數情形下Gigapixel AI能夠提供最好的細節表現，但容易產生軟體過度解讀的偽影或無法解讀的局部解析度降低情形，Photoshop Preserve Details 2.0則是較為各方面表現都較為均衡。本篇續追加兩套不同的擴檔軟體，以及縮小圖檔等項目進行深入探討。

緊急追加

數位影像縮放演算法實測文章完成之後，有讀者反應測試並未納入自己平常使用的軟體，希望能了解和其他軟體演算法的差異，所以在續篇一開始就緊急追加其他軟體的圖檔放大測試。新增的兩款軟體分別是Alein Skin Software的Blow Up 3，以及ddisoftware的Qimage Ultimate 2019.119，兩家都是製作攝影周邊調整軟體的廠商。Blow Up採用Photoshop plug-in的方式運行，演算法僅有一種且並未命名，原廠的介紹中表示該演算法會偵測影像中的物體邊緣把圖檔分區，然後將分區位置轉換成向量資訊再無損放大。很明顯地，Blow Up採用了自適應性演算法，和其他自適應性演算法的差異在於將物體邊緣轉換成向量來運算，可以預見對於電腦插圖或文字這類的影像會有較好的發揮。

另外較特別的是Qimage並非擴檔軟體而是一個輸出列印軟體，但因為內建了輸出前最後一步縮放銳化的功能，且支援列印到檔案功能所以也可以當作擴檔軟體使用，在國外影像論壇中的討論數量不低。軟體零零總總共內建12個演算法，逐一條列如下：

Pixel Resize (即Nearest)
Bell (和PhotoZoom Pro相同)
Hermite (和PhotoZoom Pro相同)
Triangle
Mitchell (和PhotoZoom Pro相同)
Bicubic (和Photoshop與PhotoZoom Pro相同)
Lanczos (和PhotoZoom Pro相同)
Vector
Pyramid (利用類似二項式係數的演算法)
Hybrid SE (Hybrid的簡化版)
Hybrid
Fusion

ddisoftware並未解釋最新的Fusion演算方式，但從網頁說明中可以看出應該也是採用了自適應性演算法，辨識物體邊緣後再進行不同的數學計算。以下同樣使用前篇的四張圖檔進行三種放大比例比較，Qimage除去和其他軟體相同的演算法後共使用五種方式，加上Blow Up的向量演算法，配合前篇ON1 genuine fractals、PhotoZoom Pro S-Spline Max、Photoshop Preserve Detrails 2.0三種進行比較。

風景擴檔

風景照片中含有極為大量的細微細節，是最方便分辨各家演算法優劣的比較，追加的五種演算法中的Triangle和Vector解析度約略低於Bicubic，Pyramid和Hybrid則稍優於老牌的Bicubic，但都不及各家目前當家的演算法。

所以我們將比較主力集中在最新的Fusion以及Blow Up 3演算法上面，和前篇三款軟體當家的自適應演算法比較，全部的演算法截圖都可點擊放大觀看。這五款演算法的成果大致可以歸類成兩類，一類是強調邊緣搜尋強化物體輪廓，包含S-Spline Max和Blow Up。另一類對於邊緣輪廓的描寫比較不明確，但在細節表現上更為自然，例如Geniune Fractals和Fusion。Photoshop Preserve Details 2.0則是介於兩者之間。

$landscape_2_genuine fractals.jpg$

放大至四倍時不同演算法的特性更加明顯，強調邊緣的演算法S-Spline Max和Blow Up對於輪廓的掌控能力較好，可以產生更為平滑的物體形狀所以看起來銳利度更高。Geniune Fractals和Fusion演算法則是在細微的細節詮釋上較為自然，不會產生過度強調邊緣產生的偽影問題。Preserve Details 2.0的細節表現更好一些，但在輪廓邊緣的鋸齒感就稍嫌過重，平順度不及其他演算法。

$landscape_4_genuine fractals.jpg$

以風景照片的不同倍率比較之下，強調以向量運算的Blow Up果然在物體邊緣平順度表現上最為優異，但對於細微細節的掌握較低顯得有些色塊化，也容易把方正的輪廓算出圓角。Fusion在細節的呈現最為自然，但邊緣對比度不足會顯得較不銳利。以下將六款軟體的最佳演算法截圖並排比較，可點擊圖片下載放大觀看。

人像擴檔比較

人像照片因為通常不具有大量的細節所以對演算法的要求較低，以下取眼睛的位置局部截圖比較各演算法的效果。

$portrait_1.5_genuine fractals.jpg$

可能是缺乏明顯輪廓邊緣的關係，Blow Up演算法的效果沒有預期優異，Fusion雖然銳利度較低但反而可以很輕易地利用銳利化加強形成更自然的效果。

$portrait_2_genuine fractals.jpg$

同樣地，所有測試檔案截圖都可以直接點選圖片後另行下載。

$portrait_4_genuine fractals.jpg$

Fusion在人像的擴檔效果比起風景要好上許多，可能也是因為不需要過高的對比讓細節過度較優異的演算法佔有優勢。Blow Up在形狀的保留上仍然有其過人之處，不過對於人像圖檔僅有在眼睫毛邊緣可以稍見其用處。反而是Preserve Details 2.0應該有針對人像做大量的修正處理，睫毛形狀保留完好不僅不會過於銳利同時又保存夠多的高頻細節。

繪畫翻拍比較

若影像含有大量清晰的高頻細節時擴檔演算法能夠發揮最大的效益，也就是即便是擴檔仍然遵循著garbage in garbage out的準則。

$painting_1.5_genuine fractals.jpg$

由於測試使用的繪畫翻拍圖檔擁有極為銳利的豐富細節，各個演算法的擴檔品質都可以維持不錯的水準。Blow Up在筆觸邊緣的清晰度明顯是較高的，但筆觸內的細微細節則同樣顯得有些色塊狀，相比Fusion演算法對比較低但細節更豐富。

$painting_2_genuine fractals.jpg$

增加放大比例後結果沒有明顯差異，唯獨強調邊緣的演算法在細微高頻細節丟失的情形會更加明顯，可以點擊圖片另開分頁放大更仔細觀看比較。

$painting_4_genuine fractals.jpg$

最後一樣以各品牌當家的演算並排檢視比較，可見到Blow Up在高頻細節的損失比同為強調邊緣運算的S-Spline Max更為明顯，也許適合特化作為邊緣輪廓清晰但無細微紋理的數位插畫擴檔應用，但對於真實的畫作並不適合。Fusion則是適應良好，且比同為保留細節的Geniune Fractals要更少鋸齒狀瑕疵。

掃描印刷地圖測試

最後測試同樣測試嚴苛考驗的低品質掃描地圖，在前篇中可見此圖檔對於擴檔演算法效果相當不利。

$printing_1.5_genuine fractals.jpg$

可見到Blow Up在面對許多繁雜細節的影像時容易有丟失高頻細節的問題，在地圖測試裡這個情形又更加明顯且出現許多邊緣過度銳化的反白光暈問題。相比保留細節不強調邊緣的演算法如Fusion、Geniune Fractals和Preserve Details 2.0表現較佳，可以輕易藉由銳利化處理達到更好的效果。

$printing_2_genuine fractals.jpg$

對於具有明顯清晰輪廓邊緣的部分Blow Up能夠產生清晰乾淨的邊緣，效果更勝其他的自適應性演算法，但對於真實世界的照片圖檔可能不是那麼適用。

$printing_4_genuine fractals.jpg$

最後比較六款軟體的當家演算法，可以點擊圖片下載放大觀看。

總結擴檔效果

本篇追加兩款軟體共6種演算法，加上前篇四款軟體計16種演算法，這次總共測試了22個演算法 x 4張圖檔 x 3個尺寸的擴檔效果，高達264張圖檔的實際比較。不只是一般讀者連進階的攝影愛好者或是職業攝影師可能都沒有辦法看完全部圖文，故在此總結六款軟體最新演算法的效果。

Photozoom Pro 7的S-Spline Max和Alien Skin的Blow Up 3兩款屬於強調邊緣搜尋最佳化的演算法，所以對於有明顯物體輪廓的圖檔效果較好。但具有較多高頻細節的圖檔便不是那麼合適，容易失去質感紋理而呈現色塊化的傾向，其中又以Blow Up更為明顯，邊緣也容易產生過度銳利的光暈和直角被圓角化的問題。

反觀ON1的Geniune Fractals和Qimage的Fusion則是在相反的一端，保留較多圖檔中的高頻細節但邊緣對比度較低乍看下銳利度不足，但這反而比較容易由後續銳利化處理加強。Geniune Fractals在部分圖檔容易產生鋸齒狀的瑕疵，在這點上Fusion處理得比較好。

而身為影像處理霸主地位的Adobe Photoshop最新的Preserve Details 2.0處在天秤的中間，輪廓平順度不及S-Spline Max和Blow Up有時會產生鋸齒狀，但在極細微的高頻細節表現上相當優異大部分情況勝過Geniune Fractals和Fusion。尤其是對於不同影像內容的判斷能力應該是唯一，可以從人像和繪畫兩張圖檔大相逕庭的擴檔效果窺知一二。

Gigapixel AI則是完全跳脫了數學公式內插補點的領域，在所有圖檔類別中都呈現獨居領先的態勢。尤其是在原圖清晰度較低時大部分的演算法都無法得到可接受的成果，利用AI運算若能正確比對猜測出原圖的內容，甚至可以「畫」出原本不存在的細節，擴檔後反而比原圖更清晰銳利且細節更多。

由各種演算法的特性比較，個人推薦所有注重高品質影像創作的作品都應該嘗試使用Gigapixel AI進行後端擴檔運算，並以各種影像運算效果最為均衡的Preserve Details 2.0輔助，將AI運算部分區域不佳的元素使用傳統演算法替換補足，甚至可以再利用Blow UP物體輪廓描寫的特性補強，讓畫面中輪廓不平順之處達到更好的效果，最佳化成品輸出效果。

縮圖效果

除了擴檔之外，有時候網路分享等用途反而需要較小的圖檔，不同的演算法又會有什麼差異呢？以下將四張圖檔分別以22種演算法縮小至原圖的0.5倍大小做比較。

圖檔縮小的測試相當有趣，Qimage的縮小防鋸齒功能關閉下幾乎所有演算法都墊底，Vector、Pyramid、Triangle、Fusion、Hybrid等等演算法的效果敬陪末座，接著是放大效果也不佳的Bell、B-Spline、Lanczos、Mitchell、Catmull-Rom、Hermite等等。但Blow Up、Bilinear、Geniune Fractals都還遜於骨董級的Bicubic甚至最簡單的Nearest就頗令人訝異，雖然差距已經微乎其微。表現最好的是Preserve Details、Preserve Details 2.0、S-Spline Max以及Gigapixel AI幾款，但彼此之間沒有明顯可見的差異，所以在縮圖的演算上其實Bicubic即可達到很好的效果。

$landscape_0.5_genuine fractals.jpg$

人像圖檔的測試結果也相當接近，最差的是Pyramid、Fusion、Triangle、Vector、Hybrid等等，接著是B-Spline、Bilinear、Hermite、Bell，Geniune Fractals遜於Mitchell、Lanczos、Catmull-Rom，自適應演算法似乎對於縮小圖檔沒有明顯助益。表現較好的要屬Blow Up、S-Spline、S-Spline XL、Preserve Details、Preserve Details 2.0，但以上演算法都比古老的傳統演算法Bicubic和Nearest要差，讓人跌破眼鏡。人像縮圖表現最好的是S-Spline Max和Gigapixel AI，Gigapixel AI雖然有最好的表現但差距微乎其微，在節省作業時間和避免偽影的考量下若是人像縮圖直接使用老牌的Bicubic反而是最為方便妥當的選擇。

$portrait_0.5_genuine fractals.jpg$

繪畫翻拍圖檔的結果和風景照片一致，Preserve Details 2.0、S-Spline Max以及Gigapixel AI表現較佳，但和Bicubic沒有太大差異。有興趣的朋友可以點擊圖片另開分頁觀看，本篇測試中所有圖檔皆可自由下載。

$painting_0.5_genuine fractals.jpg$

對擴檔運算最嚴苛的地圖檔案在縮小運算中沒有那麼明顯的差異，整體表現和前面幾個圖檔的結果相去不遠，唯一較大的差距是原本表現不差的最接近像素法Nearest在此表現低落。最好的仍然是Preserve Details、S-Spline Max和Gigapixel AI，但與Bicubic同樣沒有太明顯的差距。