인지 가능한 품질 손실 없이 이미지 크기 줄이기: 리샘플링 원리 및 사용 가이드

정보 이론의 관점에서 원본 고화질 이미지에 포함된 총 픽셀 정보량은 축소 후 목표 크기에 필요한 정보량보다 훨씬 큽니다. 크기 축소 과정은 중복된 중복 정보만 폐기하며 핵심 영역의 텍스처 구조를 변경하지 않습니다.

인간의 눈에는 이미지 세부 사항을 분해하는 상한이 존재합니다. 1080P 디스플레이를 예로 들면, 단일 이미지의 너비가 1920 픽셀을 초과할 경우 추가 픽셀은 인간의 눈으로 인지할 수 없으므로, 이미지를 맞는 크기로 축소해도 눈에 보이는 품질 저하가 발생하지 않습니다.

이미지 업스케일링의 본질은 기존 픽셀을 기반으로 새로운 픽셀을 추론하는 것입니다. 원본 촬영 과정에서 기록되지 않은 세부 사항은 보간을 통해 생성할 수 없으며, 어떤 알고리즘도 존재하지 않는 이미지 정보를 무에서 유로 창조할 수 없습니다.

AI 초해상도 알고리즘은 학습 데이터셋에서 학습한 텍스처 특징을 사용해 업스케일링된 영역을 합리적으로 완성하고 시각적 인식을 개선할 수 있지만, 원본 이미지가 기록한 내용 이상의 실제 세부 사항을 복원할 수는 없으며 완성 결과에 확률적 편차가 존재합니다.

이미지 크기 조정의 핵심 동작은 원본 픽셀을 기반으로 목표 위치의 픽셀 값을 계산하는 리샘플링입니다. 보간 알고리즘마다 계산 논리가 달라 출력 효과에 차이가 발생합니다. OKfmt 이미지 리사이저는 널리 사용되는 세 가지 알고리즘 Lanczos, Bicubic, Bilinear를 지원합니다.

세 알고리즘의 핵심 차이점은 샘플링 영역과 가중치 계산 방식에 있습니다. 참고할 수 있도록 적용 시나리오 비교표를 작성했습니다:

원본 이미지의 종횡비는 촬영 매개변수에 의해 결정됩니다. 한쪽 치수를 수동으로 수정한 후 다른 쪽을 조정하면 픽셀이 강제로 늘어나 프레임 내 객체가 변형됩니다. 예를 들어 얼굴이 넓어지거나 건물이 기울어지는 등의 변형이 발생합니다.

주류 이미지 처리 도구는 기본적으로 종횡비를 잠금니다: 너비를 입력하면 원본 비율에 따라 높이가 자동으로 계산되고, 높이를 입력하면 너비가 자동으로 계산됩니다. 이 방식은 프레임 변형을 방지하고 이미지 콘텐츠의 원본 비율을 유지합니다.

Apple Retina 디스플레이와 대부분의 Android HD 디스플레이는 2배 픽셀 렌더링을 사용하며, 1 논리 픽셀이 2×2 물리 픽셀에 대응됩니다. 이미지를 논리 크기로 출력하면 HD 디스플레이에서 흐려짐이 발생합니다.

2배 출력 크기를 계산할 때는 디자인에 지정된 필요 논리 크기에 2를 곱하기만 하면 됩니다. 예를 들어 웹 디자인에서 너비 300 논리 픽셀의 표시 크기가 필요한 경우, 출력 이미지 너비를 600 픽셀로 하면 Retina 화면의 표시 요구 사항을 충족합니다.