내가 이미지 처리에 관심을 가진건 지금으로부터 약 1년전 이야기

그때 NDS 게임 개발 인턴사원으로 들어가서 난생 처음 NDS 예뮬을 돌리고
코드 워리어를 사용해서 플밍을 할 때, 솔직히 NDS에 들어가는 BMP는
윈도우의 그것과 같다고 생각했다.

하지만 실상은 다르다.  가끔.. 닌텐도는 괴물들의 집합소라고 생각된다..

자세한건
 http://rosagigantea.tistory.com/75
 http://rosagigantea.tistory.com/76
 http://rosagigantea.tistory.com/77
 http://rosagigantea.tistory.com/78 에 띄어놓았다.

하여간.. 그간 1년동안 NDS는 내친구 할줄 알았지만..

인생이 어디 내 뜻대로인가.. 여차 저차 하는 바람에 현재는 모바일 게임
개발 쪽으로 졸업작품을 진행하고 있다.

졸업작품이다 보니… 그냥 간단한 휴대폰 게임가지고는 통과를 시켜주지 않는다.
그래서… 이미지처리를 잔뜩처리하는 게임을 구상했었는데..

처음엔 우리가 구현할수 있는거긴 한가 라고 했지만.. 막상 대충.. 얼추.. 구현해 보고나니..
Jlet 상황에서.. 속도문제가 심각했다..
기껏 올리니 그림 1장 변환에 10초… 처음 게임 구동할 때 8분가량 소요가 됬었다..

그래서.. 눈을 돌린게 Clet인데.. Clet을 분석하다보니 이것이 NDS의 함수 스타일과
많이 겹쳐 보였다. 물론 메모리 관리를 위해 메모리 버퍼 ID 할당 같은 짓은 없지만
그래서 기존의 이미지 변환기를 Clet에 맞게 개조를 해본 것이 아래와 같다.

사용자 삽입 이미지

Data output 위에 16bit 출력만 추가 했다.

그리고 저렇게 바뀐 결과는
 C언어 파일로 뽑아낼때

사용자 삽입 이미지

그리고 바이너리 파일로 열었을때다
사용자 삽입 이미지

음..실제로 띄울땐 잘될지 않될지 반신반의 했지만 하여튼.. 결과는 아래와 같다.

사용자 삽입 이미지
 잘 나온다.. 허나..
속도는 쾌적한건가? 현재로선 알수 없다... 일단 일을 진행해 나갈뿐.. orz

하지만 우선 Java보다는 C언어계열이 속도 효율이 좋고 (아무래도 Java는 JavaVM을 거치기 때문에 느리다)
객체 지향 프로그래밍 보다는 구조적 언어인 C언어가 훨씬 속도가 빠르다.

실제 작년 NDS 프로그래밍 공부할때, 인턴 끝나기전에 그동안의 결과물을 뱉으라 해서 간단한 슈팅게임을 만들었는데, 클래스로 짤때는 이것이 과연 게임인가 할정도로 버벅이던것이 C로 바꾸니까 속도가 약 5~10배가량 빨라진 느낌이 들정도였다.

최근 배우는 게임서버 프로그래밍..도... C언어로만 짜야 퍼포먼서 100%가량 끌어올릴수 있다고 하니..
아무리 CPU 속도가 빨라져도 C언어를 무시하면 안될꺼 같다.
알고리즘중엔... n^n 승으로 올라가는것도 있고 하니..

종이도 50번 접으면 달까지 갈수 있으니.. 역시 이쪽 세계는 재미있다.

CImage는 MS에서 .net 이후부터 제공되는 그림 관련 클래스임.
이전 CBitmap의 bmp만 다루던거에서 좀더 확장하여 Png, Jpg, gif등 다양한 포멧을 지원한다.

기본적으로 사용은
CImage image; 로 한다.

CImage는 일종의 스케치북으로 볼수 있다.

사용법으로
CImage.Create(width, height, bpp); 로 새 스케치북을 만드거나
CImage.Load(CString("filename")); 으로 파일을 받아올수 있다.

이렇게 만들어진것중에서 자주 사용하는 매소드로
BitBlt ... : 기본 API 이다.
사용법은
CImage image;
image.Load("test.jpg");
image.BitBlt(pDC, 0, 0);

이러면 pDC의 0,0 지점에 test.jpg 그림이 복사된다.
좀더 응용하면

CImage a,b;
a.Load("test.jpg");
b.Create(a.GetWidth(), a.GetHeight(), a.GetBPP());
a.BitBlt(b.GetDC(), 0, 0);
b.ReleaseDC();

이렇게 하면 b에 a의 그림이 복사된다.
중요 포인트는 GetDC()를 해준뒤 바로 ReleaseDC를 해줘야 한다.

나머지 대충 사용하면되고..

GetPixel의 경우..
GetPixel과 SetPixel을 그대로 사용하는건 정말 CPU혹사시키는 짓이다.
다음 함수로 대체 하는것이 좋다

// SetPixel 대용
void PointColor(CImage *image, int x, int y, COLORREF c)
{
 // m_image.SetPixel() call ::SetPixel() which is too slow
 // since it has to work with all DCs.

 BYTE *p = (BYTE*)image->GetPixelAddress(x, y);
 if (m_nBitDepth == 16) {
  *(WORD *)p = (WORD)(((c&0xf80000) >> 19) | ((c&0xf800) >> 6) | ((c&0xf8) << 7));
 }
 else {
  *p++ = GetBValue(c);
  *p++ = GetGValue(c);
  *p = GetRValue(c);
 }
}

// GetPixel 대용
COLORREF GetPointColor(CImage *image, int x, int y)
{
 COLORREF result = *((COLORREF*)image->GetPixelAddress(x,y));

 // 메모리에서 가져올때, blue와 red위치가 바뀌어서 가져와진다
 BYTE r = GetBValue(result);
 BYTE g = GetGValue(result);
 BYTE b = GetRValue(result);
 
 return RGB(r,g,b);
}


Bicubic interpolation

From Wikipedia, the free encyclopedia

Jump to: navigation, search

In mathematics, bicubic interpolation is an extension of cubic interpolation for interpolating data points on a regular grid. The interpolated surface is smooth in all directions compared to bilinear interpolation and nearest neighbor interpolation. Bicubic interpolation can be accomplished using either Lagrange polynomials, cubic splines or cubic convolution algorithm.

In image processing, bicubic interpolation is often chosen over bilinear interpolation or nearest neighbor in image resampling, when speed is not an issue. Images resampled with bicubic interpolation are smoother and have fewer interpolation artifacts.

Bicubic interpolation on the square  consisting of 9 unit squares patched together. Bicubic interpolation as per Matlab's implementation. Colour indicates function value. The black dots are the locations of the prescribed data being interpolated.
Bicubic interpolation on the square [0,3] \times [0,3] consisting of 9 unit squares patched together. Bicubic interpolation as per Matlab's implementation. Colour indicates function value. The black dots are the locations of the prescribed data being interpolated.
Bilinear interpolation on the same dataset as above. Derivatives of the surface are not continuous over the square boundaries.
Bilinear interpolation on the same dataset as above. Derivatives of the surface are not continuous over the square boundaries.
Nearest neighbor interpolation on the same dataset as above. Note that the information content in all these three examples is equivalent.
Nearest neighbor interpolation on the same dataset as above. Note that the information content in all these three examples is equivalent.

Contents

[hide]

[edit] Bicubic spline interpolation

Suppose the function values f and the derivatives fx,fy and fxy are known at the four corners (0,0), (1,0), (0,1), and (1,1) of the unit square. The interpolated surface can the be written

p(x,y) = \sum_{i=0}^3 \sum_{j=0}^3 a_{ij} x^i y^j.

The interpolation problem consists of determining the 16 coefficients aij. Matching p(x,y) with the function values yields four equations,

  1. f(0,0) = p(0,0) = a00
  2. f(1,0) = p(1,0) = a00 + a10 + a20 + a30
  3. f(0,1) = p(0,1) = a00 + a01 + a02 + a03
  4. f(1,1)      = p(1,1)   = \textstyle \sum_{i=0}^3 \sum_{j=0}^3 a_{ij}

Likewise, eight equations for the derivatives in the x-direction and the y-direction

  1. fx(0,0) = px(0,0) = a10
  2. fx(1,0) = px(1,0) = a10 + 2a20 + 3a30
  3. fx(0,1) = px(0,1) = a10 + a11 + a12 + a13
  4. f_x(1,1)    = p_x(1,1) = \textstyle \sum_{i=1}^3 \sum_{j=0}^3 a_{ij} i
  5. fy(0,0) = py(0,0) = a01
  6. fy(1,0) = py(1,0) = a01 + a11 + a21 + a31
  7. fy(0,1) = py(0,1) = a01 + 2a02 + 3a03
  8. f_y(1,1)    = p_y(1,1) = \textstyle \sum_{i=0}^3 \sum_{j=1}^3 a_{ij} j

And four equations for the cross derivative xy.

  1. fxy(0,0) = pxy(0,0) = a11
  2. fxy(1,0) = pxy(1,0) = a11 + 2a21 + 3a31
  3. fxy(0,1) = pxy(0,1) = a11 + 2a12 + 3a13
  4. f_{xy}(1,1) = p_{xy}(1,1) = \textstyle \sum_{i=1}^3 \sum_{j=1}^3 a_{ij} i j

where the expressions above have used the following identities,

p_x(x,y) = \textstyle \sum_{i=1}^3 \sum_{j=0}^3 a_{ij} i x^{i-1} y^j
p_y(x,y) = \textstyle \sum_{i=0}^3 \sum_{j=1}^3 a_{ij} x^i j y^{j-1}
p_{xy}(x,y) = \textstyle \sum_{i=1}^3 \sum_{j=1}^3 a_{ij} i x^{i-1} j y^{j-1}.

This procedure yields a surface p(x,y) on the unit square [0,1] \times [0,1] which is continuous and with continuous derivatives. Bicubic interpolation on an arbitrarily sized regular grid can then be accomplished by patching together such bicubic surfaces, ensuring that the derivatives match on the boundaries.

If the derivatives are unknown, they are typically approximated from the function values at points neighbouring the corners of the unit square, ie. using finite differences.

[edit] Bicubic convolution algorithm

Bicubic spline interpolation requires to solve the linear system described above for each grid cell. Although similar interpolator with similar properties can be obtained by applying convolution with the following kernel in both dimensions:

W(x) = 
\begin{cases}
 (a+2)|x|^3-(a+3)|x|^2+1 & \text{for } 0 < |x| \leq 1 \\
 a|x|^3-5a|x|^2+8a|x|-4a & \text{for } 1 < |x| \leq 2 \\
 0                       & \text{otherwise}
\end{cases}

where a is usually set to -0.5 or -0.75.

This approach was proposed by Keys[1].

[edit] Use in computer graphics

The bicubic algorithm is frequently used for scaling images and video for display (see bitmap resampling). It preserves fine detail better than the predominant bilinear algorithm.

[edit] References

  1. ^ R. Keys, (1981). "Cubic convolution interpolation for digital image processing". IEEE Transactions on Signal Processing, Acoustics, Speech, and Signal Processing.

[edit] See also

[edit] External links

+ Recent posts