In der Digitalsignalverarbeitung ist Raumantialiasing die Technik, die Verzerrungskunsterzeugnisse bekannt als aliasing zu minimieren, wenn es ein hochauflösendes Image bei einer niedrigeren Entschlossenheit vertritt. Antialiasing wird in Digitalfotografie, Computergrafik, Digitalaudio, und vielen anderen Anwendungen verwendet.

Antialiasing bedeutet, Signalbestandteile zu entfernen, die eine höhere Frequenz haben, als im Stande ist, durch die Aufnahme (oder Stichprobenerhebung) Gerät richtig aufgelöst zu werden. Diese Eliminierung wird vorher (re) getan, an einer niedrigeren Entschlossenheit ausfallend. Wenn Stichprobenerhebung durchgeführt wird, ohne diesen Teil des Signals zu entfernen, verursacht es unerwünschte Kunsterzeugnisse wie das Schwarzweißgeräusch in der Nähe von der Spitze der Abbildung 1-a unten.

Im Signalerwerb und Audio-wird Antialiasing häufig mit einem analogen Antialiasing-Filter getan, um den Bestandteil aus dem Band des Eingangssignals vor der Stichprobenerhebung mit einem Konverter des Analogons-zu-digital zu entfernen. In der Digitalfotografie werden optische Antialiasing-Filter aus birefringent Materialien gemacht, und glätten das Signal im optischen Raumgebiet. Der Antialiasing-Filter verschmiert im Wesentlichen das Image ein bisschen, um die Entschlossenheit gegenüber oder darunter zu reduzieren, das durch den Digitalsensor (je erreichbar ist, größer der Pixel-Wurf, desto tiefer die erreichbare Entschlossenheit am Sensorniveau).

Beispiele

In der Computergrafik anti verbessert aliasing das Äußere von Vieleck-Rändern, so werden sie nicht "ausgezackt", aber werden auf dem Schirm weggeräumt. Jedoch übernimmt es Leistungskosten für die Grafikkarte und verwendet mehr Videogedächtnis. Das Niveau des Antialiasings bestimmt, wie glatte Vieleck-Ränder sind (und wie viel Videogedächtnis es sich verzehrt).

Abbildung 1-a illustriert die Sehverzerrung, die vorkommt, wenn Antialiasing nicht verwendet wird. In der Nähe von der Spitze des Images, wo das Damebrett sehr klein ist, ist das Image sowohl schwierig anzuerkennen als auch nicht ästhetisch das Appellieren. Im Gegensatz zeigt Abbildung 1-b eine anti-aliased Version der Szene. Das Damebrett in der Nähe von der Spitze verschmilzt ins Grau, das gewöhnlich die gewünschte Wirkung ist, wenn die Entschlossenheit ungenügend ist, um das Detail zu zeigen. Sogar in der Nähe vom Boden des Images scheinen die Ränder viel glatter im anti-aliased Image. Abbildung 1-c zeigt einen anderen Antialiasing-Algorithmus, der auf dem sinc Filter gestützt ist, der besser betrachtet wird als der in 1-b verwendete Algorithmus.

Shows der Abbildung 2 vergrößerte Teile (das interpolierte Verwenden des nächsten Nachbaralgorithmus) der Abbildung 1-a sind (abgereist) und 1-c (Recht) zum Vergleich. In der Abbildung 1-c hat Antialiasing die Helligkeit der Pixel an den Grenzen interpoliert, um graue Pixel zu erzeugen, da der Raum sowohl durch schwarze als auch durch weiße Ziegel besetzt wird. Diese helfen, Abbildung 1-c viel glatter scheinen zu lassen, als Abbildung 1-a an der ursprünglichen Vergrößerung.

In der Abbildung 3 wurde Antialiasing verwendet, um die Grenzpixel einer Beispielgrafik zu vermischen; das hat die ästhetisch misstönende Wirkung der scharfen, stufenartigen Grenzen reduziert, die in der aliased Grafik am verlassenen erscheinen. Antialiasing wird häufig in der Übergabe des Textes auf einem Computerschirm angewandt, um glatte Konturen anzudeuten, die besser mit dem Äußeren des durch den herkömmlichen Tinte-Und-Papierdruck erzeugten Textes wetteifern.

Besonders mit auf typischen FLÜSSIGKRISTALLANZEIGE-Schirmen gezeigten Schriftarten ist es üblich, Subpixel-Übergabe-Techniken wie ClearType zu verwenden. Subpixel-Übergabe verlangt, dass spezielle farbenerwogene Antialiasing-Filter drehen, was strenge Farbenverzerrung in kaum erkennbare Farbenfransen sein würde. Gleichwertige Ergebnisse können durch das Bilden individueller Subpixel addressable gehabt werden, als ob sie volle Pixel und Versorgung eines Hardware-basierten Antialiasing-Filters waren, wie im OLPC XO-1 der Anzeigekontrolleur des Laptops getan wird. Pixel-Geometrie betrifft all diesen, ob das Antialiasing und Subpixel-Wenden in der Software oder Hardware getan werden.

Signalverarbeitung nähert sich dem Antialiasing

In dieser Annäherung wird das ideale Image als ein Signal betrachtet. Das auf dem Schirm gezeigte Image wird als Proben, an jedem (x, y) Pixel-Position einer gefilterten Version des Signals genommen. Ideal würde man verstehen, wie das menschliche Gehirn das ursprüngliche Signal bearbeiten, und ein Bildschirmimage zur Verfügung stellen würde, das die ähnlichste Antwort durch das Gehirn nachgeben wird.

Das am weitesten akzeptierte analytische Werkzeug für solche Probleme ist der Fourier verwandeln sich; das zersetzt ein Signal in Basisfunktionen von verschiedenen Frequenzen, die als Frequenzbestandteile bekannt sind, und gibt uns den Umfang jedes Frequenzbestandteils im Signal. Die Wellen sind der Form:

:

wo j und k willkürliche natürliche Zahlen sind. Es gibt auch Frequenzbestandteile, die die Sinusfunktionen in eine oder beide Dimensionen einschließen, aber zum Zweck dieser Diskussion wird der Kosinus genügen.

Die Nummern j und k sind zusammen die Frequenz des Bestandteils: J ist die Frequenz in der x Richtung, und k ist die Frequenz in der y Richtung.

Die Absicht eines Antialiasing-Filters ist, Frequenzen über einer bestimmten Grenze außerordentlich zu reduzieren, die als die Frequenz von Nyquist bekannt ist, so dass das Signal durch seine Proben, oder fast so in Übereinstimmung mit dem Abtasttheorem genau vertreten wird; es gibt viele verschiedene Wahlen des ausführlichen Algorithmus mit verschiedenen Filterübertragungsfunktionen. Aktuelle Kenntnisse der menschlichen Sehwahrnehmung sind im Allgemeinen nicht genügend, um zu sagen, welche Annäherung am besten aussehen wird.

Zwei dimensionale Rücksichten

Die vorherige Diskussion nimmt an, dass die rechteckige Ineinandergreifen-Stichprobenerhebung der dominierende Teil des Problems ist. Der Filter hat gewöhnlich als optimal betrachtet, ist wie gezeigt, in dieser ersten Zahl nicht Rotations-symmetrisch; das ist, weil die Daten auf einem Quadratgitter probiert werden, ein dauerndes Image nicht verwendend. Dieses ausfallende Muster ist die Rechtfertigung, um Signal zu tun, das entlang jeder Achse in einer Prozession geht, weil es auf dimensionalen Daten traditionell getan wird. Wiederstichprobenerhebung von Lanczos basiert auf der Gehirnwindung der Daten mit einer getrennten Darstellung der Sinc-Funktion.

Wenn die Entschlossenheit durch die rechteckige ausfallende Rate entweder der Quelle oder des Zielimages nicht beschränkt wird, dann sollte man Rotations-symmetrischen Filter oder Interpolationsfunktionen ideal verwenden, als ob die Daten eine zwei dimensionale Funktion von dauerndem x und y waren. Die sinc Funktion des Radius, in der zweiten Zahl, hat einen zu langen Schwanz, um einen guten Filter zu machen (es ist nicht sogar Quadrat-Integrable). Ein passenderes Analogon zum eindimensionalen sinc ist der zweidimensionale Luftscheibe-Umfang, der 2. Fourier verwandeln sich eines kreisförmigen Gebiets im 2. Frequenzraum im Vergleich mit einem Quadratgebiet.

Man könnte denken, dass Gaussian plus genug von seiner zweiten Ableitung die Spitze (im Frequenzgebiet) glatt gemacht oder es (im Raumgebiet), wie gezeigt, geschärft hat. Auf der Funktion von Gaussian gestützte Funktionen sind natürliche Wahlen, weil die Gehirnwindung mit Gaussian einen anderen Gaussian ob angewandt zu x und y oder zum Radius gibt. Ähnlich zu Elementarwellen ist ein anderer seiner Eigenschaften, dass es zwischen lokalisieren in der Konfiguration (x und y) und im geisterhaften (j und k) Darstellung auf halbem Weg ist. Als eine Interpolationsfunktion scheint Gaussian allein zu ausgedehnt, um das maximale mögliche Detail zu bewahren, und so wird die zweite Ableitung hinzugefügt.

Als ein Beispiel, wenn es eine fotografische Verneinung mit der reichlichen in einer Prozession gehenden Fähigkeit und auf einem Drucker mit einem sechseckigen Muster druckt, gibt es keinen Grund, Sinc-Funktionsinterpolation zu verwenden. Solche Interpolation würde diagonale Linien verschieden von horizontalen und vertikalen Linien behandeln, der einer schwachen Form von aliasing ähnlich ist.

Praktische Echtzeitantialiasing-Annäherungen

Es gibt nur eine Hand voll Primitive, die am Tiefststand in einem Echtzeitübergabe-Motor (entweder Software oder Hardware verwendet sind, beschleunigt). Diese schließen "Punkte", "Linien" und "Dreiecke" ein. Wenn man solch einen Primitiven im Weiß gegen einen schwarzen Hintergrund ziehen soll, ist es möglich, solch einen Primitiven zu entwerfen, um krause Ränder zu haben, eine Art Antialiasing erreichend. Jedoch hat diese Annäherung Schwierigkeit, die sich mit angrenzenden Primitiven befasst (wie Dreiecke, die einen Rand teilen).

Um dem gleichförmigen Mittelwertbildungsalgorithmus näher zu kommen, kann man einen Extrapuffer für Subpixel-Daten verwenden. Die Initiale (und am wenigsten speicherhungrig) Annäherung hat 16 Extrabit pro Pixel, in 4×4 Bratrost verwendet. Wenn man die Primitiven in einer sorgfältigen Ordnung, solcher als verkehrt herum macht, ist es möglich, ein angemessenes Image zu schaffen.

Da das verlangt, dass die Primitiven in einer Ordnung sind, und folglich schlecht mit einer Anwendung aufeinander wirkt, Schnittstelle wie OpenGL programmierend, haben die letzten Methoden einfach zwei oder mehr volle Subpixel pro Pixel einschließlich der vollen Farbeninformation für jedes Subpixel. Etwas Information kann zwischen den Subpixeln geteilt werden (wie der Z-Puffer.)

Mipmapping

Es gibt auch eine Annäherung, die für die kartografisch darstellende Textur spezialisiert ist, hat mipmapping genannt, der durch das Schaffen niedrigerer Entschlossenheit, vorgefilterter Versionen der Textur-Karte arbeitet. Wenn man das Image macht, wird die passende Entschlossenheit mipmap gewählt, und folglich werden die Textur-Pixel (texels) bereits gefiltert, wenn sie in den Schirm ankommen. Mipmapping wird allgemein mit verschiedenen Formen der Textur-Entstörung verbunden, um das Endresultat zu verbessern.

Ein Beispiel eines Images mit äußerstem pseudozufälligem aliasing

Weil fractals unbegrenztes Detail und kein Geräusch außer der Arithmetik roundoff Fehler haben, illustrieren sie aliasing klarer, als Fotographien oder andere Messwerte tun. Die Flucht-Zeiten, die zu Farben an den genauen Zentren der Pixel umgewandelt werden, gehen zur Unendlichkeit an der Grenze des Satzes, so sind Farben von Zentren in der Nähe von Grenzen, wegen aliasing unvorhersehbar. Dieses Beispiel hat Ränder in der ungefähr Hälfte seiner Pixel, so zeigt es viel aliasing. Das erste Image wird an seiner ursprünglichen ausfallenden Rate geladen. (Da die meisten modernen Softwareantidecknamen, man die lebensgroße Version kann herunterladen müssen, um alle aliasing zu sehen.) Das zweite Image wird an fünfmal der ausfallenden Rate berechnet und mit dem Antialiasing unten probiert. Annehmend, dass man wirklich etwas wie die durchschnittliche Farbe über jedes Pixel möchte, wird dieser näher. Es ist klar regelmäßiger als das erste.

Um diese Images richtig zu vergleichen, ist das Ansehen von ihnen am umfassenden notwendig.

Image:Mandelbrot _ "Turbine" _desk_shape.jpg|1. Wie berechnet, mit dem Programm "MandelZot"

Image:Mandelbrot_Turbine_big_all_samples.jpg|2. Anti-aliased durch das Verschmieren und unten ausfallend durch einen Faktor von fünf

Image:Mandelbrot_Budding_turbines.jpg|3. Rand-Punkte interpoliert, dann anti-aliased und unten probierter

Image:Mandelbrot_Turbine_Chaff.jpg|4. Eine Erhöhung der Punkte ist vom vorherigen Image umgezogen

Image:Mandelbrot, der Turbinen downsampled.jpg|5 Knospt. Unten probiert, wieder, ohne Antialiasing

</Galerie>

Es geschieht, dass, in diesem Fall, es Zusatzinformation gibt, die verwendet werden kann. Durch das Wiederrechnen mit dem Entfernungsvorkalkulatoren wurden Punkte identifiziert, die sehr dem Rand des Satzes nah sind, so dass ungewöhnlich feines Detail aliased in von den sich schnell ändernden Flucht-Zeiten in der Nähe vom Rand des Satzes ist. Die Farben sind auf diese berechneten Punkte zurückzuführen gewesen sind als ungewöhnlich unvertretend ihre Pixel identifiziert worden. Jene Punkte, wurden im dritten Image, durch das Interpolieren der Punkte um sie ersetzt. Das reduziert das Geräusch des Images, aber hat die Nebenwirkung, die Farben zu erhellen. So ist dieses Image nicht genau dasselbe, das mit einem noch größeren Satz von berechneten Punkten erhalten würde. Um sich zu zeigen, was verworfen wurde, werden die zurückgewiesenen Punkte, die in einen grauen Hintergrund vermischt sind, im vierten Image gezeigt.

Schließlich, "Knospende Turbinen" ist so regelmäßig, dass systematisch (Moiré) aliasing klar in der Nähe von der "Hauptturbinenachse" gesehen werden kann, wenn es durch die Einnahme des nächsten Pixels verkleinert wird. Der aliasing im ersten Image scheint zufällig, weil es aus allen Niveaus des Details unter der Pixel-Größe kommt. Wenn die niedrigere Ebene aliasing unterdrückt wird, um das dritte Image zu machen, und dann das noch einmal ohne Antialiasing unten probiert wird, um das fünfte Image zu machen, erscheint die Ordnung auf der Skala des dritten Images als systematischer aliasing im fünften Image.

Das beste Antialiasing und die unten ausfallende Methode hier hängen von jemandes Gesichtspunkt ab. Wenn die Anprobe der meisten Daten in eine beschränkte Reihe von Pixeln, als im fünften Image, sinc Funktionsantialiasing passend scheinen würde. Im Erreichen der zweiten und dritten Images ist das Hauptziel, aliasing "Geräusch" herauszufiltern, so kann eine Rotations-symmetrische Funktion passender sein.

Rein unten ausfallend eines Images hat die folgende Wirkung (am umfassenden ansehend wird empfohlen):

Image:Mandelbrot-spiral-original.png|1. Ein Bild einer besonderen spiralförmigen Eigenschaft von Mandelbrot ist untergegangen.

Image:Mandelbrot-spiral-antialiased-4-samples.png|2. 4 Proben pro Pixel.

Image:Mandelbrot-spiral-antialiased-25-samples.png|3. 25 Proben pro Pixel.

Image:Mandelbrot-spiral-antialiased-400-samples.png|4. 400 Proben pro Pixel.

</Galerie>

Super / Antialiasing der vollen Szene ausfallend

Super Stichprobenerhebung des Antialiasings (SSAA), auch genannt Antialiasing der vollen Szene (FSAA), wird verwendet, um aliasing (oder "jaggies") auf Images des vollen Schirms zu vermeiden. SSAA war der erste Typ des mit frühen Videokarten verfügbaren Antialiasings. Aber wegen seiner enormen rechenbetonten Kosten und des Advents des Mehrbeispielantialiasings (MSAA) unterstützen auf GPUs, es wird in Realtime Anwendungen nicht mehr weit verwendet. MSAA stellt etwas niedrigere grafische Qualität, sondern auch enorme Ersparnisse in der rechenbetonten Macht zur Verfügung.

Das resultierende Image von SSAA kann weicher scheinen, und sollte auch realistischer scheinen. Jedoch, während nützlich, für einem Foto ähnliche Images, kann eine einfache Antialiasing-Annäherung (wie Superstichprobenerhebung und dann Mittelwertbildung) wirklich das Äußere von einigen Typen der Linienkunst oder Diagramme schlechter machen (das Image lassend, kraus scheinen) besonders wo die meisten Linien horizontal oder vertikal sind. In diesen Fällen kann ein vorheriger Bratrost passender Schritt nützlich sein (sieh das Andeuten).

Im Allgemeinen ist Superstichprobenerhebung eine Technik von sich versammelnden Datenpunkten an einer größeren Entschlossenheit (gewöhnlich durch eine Macht zwei) als die Enddatenentschlossenheit. Diese Datenpunkte werden dann (unten probiert) zur gewünschten Entschlossenheit häufig gerade durch einen einfachen Durchschnitt verbunden. Die vereinigten Datenpunkte haben weniger sichtbare aliasing Kunsterzeugnisse (oder moiré Muster).

Das Antialiasing der vollen Szene durch die Superstichprobenerhebung bedeutet gewöhnlich, dass jeder volle Rahmen am doppelten (2x) oder vierfach (4x) die Anzeigeentschlossenheit gemacht, und dann unten probiert wird, um die Anzeigeentschlossenheit zu vergleichen. So 2x würde FSAA 4 superprobierte Pixel für jedes einzelne Pixel jedes Rahmens machen. Die Übergabe an größeren Entschlossenheiten wird bessere Ergebnisse erzeugen; jedoch ist mehr Verarbeiter-Macht erforderlich, der Leistung erniedrigen und Rate einrahmen kann. Manchmal wird FSAA in der Hardware auf solche Art und Weise durchgeführt, dass eine grafische Anwendung nicht ahnt, dass die Images superprobiert und dann unten probiert werden, bevor sie gezeigt werden.

Gegenstand-basiertes Antialiasing

Ein Grafikübergabe-System schafft ein Image, das auf polygonaler Primitiver gebauten Gegenständen gestützt ist; die aliasing Effekten im Image können durch die Verwendung eines Antialiasing-Schemas nur auf die Gebiete des Images reduziert werden, das Kontur-Ränder der Gegenstände vertritt. Die Kontur-Ränder sind anti-aliased durch das Schaffen von Antialiasing-Primitiven, die sich in der Undurchsichtigkeit ändern. Diese Antialiasing-Primitiven werden mit den silhouetted Rändern angeschlossen, und schaffen ein Gebiet im Image, wo die Gegenstände scheinen, in den Hintergrund zu verschmelzen. Die Methode hat einige wichtige Vorteile gegenüber klassischen auf dem Anhäufungspuffer gestützten Methoden, da es Antialiasing der vollen Szene in nur zwei Pässen erzeugt und den Gebrauch des zusätzlichen durch den Anhäufungspuffer erforderlichen Gedächtnisses nicht verlangt. Gegenstand-basiertes Antialiasing wurde zuerst an der Silikongrafik für ihren Arbeitsplatz von Indy entwickelt.

Antialiasing und Gammakompression

Digitalimages werden gewöhnlich in einem gammakomprimierten Format versorgt, aber ein optischer Antialiasing-Filter ist geradlinig. So zu downsample ein Image in einem Weg, der das optische Verschmieren vergleichen würde, sollte man es zuerst zu einem geradlinigen Format umwandeln, dann den Antialiasing-Filter anwenden, und es schließlich zurück zu einem Gamma zusammengepresstes Format umwandeln. Rechenantialiasing direkt auf dem gammakomprimierten Image wird zu hellen Details (wie Schnurrhaare einer Katze) führen, visuell dünnere und dunkle Details (wie Baumzweige) das Werden dicker, hinsichtlich optisch anti-aliased Image werdend. Fast die ganze Bildredigieren-Software, einschließlich Adobe Photoshop und GIMP, bearbeitet Images im gammakomprimierten Gebiet.

Geschichte

Wichtige frühe Arbeiten in der Geschichte des Antialiasings schließen ein:

Siehe auch

• Alpha zum Einschluss
• Anisotropic, der durchscheint
• Farbentheorie
• Schriftart rasterization
• Maß-Theorie
• Quincunx
• Rekonstruktionsfilter
• Safran-Typ-System
• Stichprobenerhebung (der Statistik)
• Subpixel, das macht
• Zeitliches Antialiasing
• Der Linienalgorithmus von Xiaolin Wu

Links

• Antialiasing und Durchsichtigkeitstutorenkurs: Erklärt die Wechselwirkung zwischen Antialiasing und Durchsichtigkeit, besonders wenn, sich mit Webgrafik befassend
• Interpolation und Gammakorrektur In den meisten wirklichen Systemen, Gammakorrektur ist zu linearize die Ansprechkurve der Sensor- und Anzeigesysteme erforderlich. Wenn das nicht in Betracht gezogen wird, wird die resultierende nichtlineare Verzerrung den Zweck von auf der Annahme einer geradlinigen Systemantwort gestützten Antialiasing-Berechnungen vereiteln.

• Antialiasing von Le rôle du filtre dans les APN (die Funktion des Antialiasing-Filters in dSLR)