2026 年 10 月 20 日 · 星期二
你把一张合影缩成小图发出去，后来想看清衣服上的细字。把收到的图片放大，轮廓变大了，文字却仍是一团模糊。
为什么把尺寸调回原来的数字，细节没有跟着回来？要回答这个问题，先得分清两种操作：屏幕把原图显示得小一些，与真正生成一份像素更少的新文件。下面讨论后者，而且假设手里只剩这份小图。
一块灰色，可能来自很多种图案
用一个纯教学例子，把彩色照片暂时换成灰度数字：0 代表黑，200 代表较亮的灰，数字越大越亮。这里直接对数字求平均，不模拟真实照片中的颜色编码。
假设缩图规则是把每个 2×2 小块的四个数字取平均，变成一个新像素。三种小块会得到什么？
- 左列全是 0、右列全是 200，平均为 100。
- 上排全是 0、下排全是 200，平均也为 100。
- 四个位置全是 100，平均仍为 100。
第一块有竖直边界，第二块有水平边界，第三块没有边界。缩小后，它们留下完全相同的一个数。
所以，丢失的不只是“看起来清不清楚”，还有区分不同原图的依据。只拿到 100，甚至知道缩图规则，也无法唯一判断原来是哪一种排列。这个多对一的例子说明，某些细节从剩下的数据中已经不能被唯一确定。
再算一笔：4000×3000 像素缩为 1000×750，宽和高各剩四分之一，总像素却只剩十六分之一。放回原尺寸，只是重新分配更多位置；那些位置并没有自动获得原图的记录。
直接隔点抽取，为什么会造出假花纹？
缩小不一定采用上面的块平均。若为了省事，每隔一个像素只保留一个，会怎样？
继续用教学数字。设一行像素不断重复“0、200、0、200”。从第一个位置开始隔点取样，留下的全是 0；错开一个位置，留下的就全是 200。原本黑亮交替的条纹，竟可能变成一片黑或一片亮。
这种细密变化被误表示成另一种变化的现象，叫作混叠。它可能让细条纹消失，也可能让它们显成较粗的纹路。MIT 的计算机视觉教材用采样前后的波形和斑马条纹展示了这类问题。图像采样与混叠
这里的“频率”不一定指声音：在图像里，它可以描述亮暗在空间中变化得多快。条纹越密，空间频率越高。
采样定理说明，在信号带宽有限等理想条件下，采样频率高于最高信号频率的两倍，才有相应的精确重建保证。它不表示随便一张照片只要放大，就一定能恢复；前提是原来已有足够的采样。采样定理及其前提
为什么缩小前，反而要先柔化细节？
为了减少混叠，可以在减少像素之前，先削弱新网格无法可靠表示的细密变化。这一步叫低通滤波，也叫抗混叠滤波；在画面上常表现为适当的柔化。scikit-image 官方示例：缩图与抗混叠
回到那行交替数字：若先把相邻的 0 和 200 平均为 100，再取样，得到的就是较稳定的灰色，而不会因为抽取位置差一格，便在全黑与全亮之间翻转。
这仍然没有保住条纹。它保住的是这个教学例子中的局部平均，牺牲了交替排列。抗混叠减少错误花纹，并不能让小图装下所有细节。
实际软件采用的滤波方式各不相同，效果也与缩小比例有关。上面的平均只是说明机制，不能当作每个缩图工具的真实算法。我们此处讨论的是像素数量减少，也不能把它与所有形式的文件压缩混为一谈。
放大和“变清楚”，各自增加了什么？
普通放大需要为新位置填值，这叫插值。最近邻方法复制附近像素，线性或双线性方法按相邻值计算过渡。它们能改变观感，却没有引入一次新的拍摄。放大与插值
若把那个值为 100 的像素复制成四个 100，就会得到最初第三种小块。但这不能证明原图确实如此：前两种小块也同样能产生它。
AI 超分辨率可以利用学到的图像规律，估计缺失的细节。有些结果看起来更自然，但“像真实照片”与“接近这张照片的原始内容”是不同评价目标。Blau 和 Michaeli 关于感知质量与失真的研究，在其数学定义下分析了二者的权衡；这不等于每次算法改进都必然顾此失彼。原论文：The Perception-Distortion Tradeoff
从前面的多对一例子还能直接推出：没有额外线索时，任何方法都不能保证从同一个 100 唯一找回三种不同原图。算法可能猜对，也可能补出可信却不同的排列。
这里的边界是“只剩一张小图，且没有额外信息”。如果找到原文件，或获得其他拍摄记录，证据条件便改变了。
先问你要从照片里知道什么
判断合影里有几个人，与辨认衣领上的一行细字，需要的细节不同。一个缩图仍然适合前一个问题，未必适合后一个。不能只看文件宽高是否变大，就断定证据更充分。
下次看到一张“增强后”的图片，可以问：哪些内容由留下的像素约束，哪些依赖补充假设？如果关键任务是核对文字，就应尽量寻找原文件来验证。
一张小图能保留轮廓，却失去笔画；同样一串数字究竟保存了什么，要看它怎样形成、准备用来回答什么问题。当机器也把文字或图像变成数字时，这个问题仍然值得追问。
发表回复