Ridimensionamento dell'immagine

Il metodo più semplice è l'interpolazione del vicino più prossimo (nearest-neighbor interpolation), che assegna a ogni pixel dell'immagine di destinazione il valore del pixel più vicino dell'immagine di origine: nell'ingrandimento ogni pixel viene quindi replicato più volte con lo stesso colore.^[3] Il risultato conserva i dettagli netti, ma presenta una caratteristica scalettatura dei contorni obliqui: nell'esempio a lato le linee diagonali della «W» assumono la tipica forma «a gradini».^[6] È anche il modo più semplice di ingrandire la pixel art con fattori di scala interi.^[6]

L'interpolazione bilineare calcola i valori dei nuovi pixel interpolando linearmente, nelle due direzioni, quelli dei pixel vicini, e introduce così transizioni continue anche dove l'originale presenta transizioni nette: il metodo è adatto alle immagini a toni continui, come le fotografie, ma ammorbidisce i contorni e può creare colori assenti nell'originale, come il grigio tra un'area bianca e una nera.^[6] L'interpolazione bicubica, basata sulla convoluzione cubica, offre risultati migliori a fronte di un maggiore costo computazionale.^[7][3]

In teoria il ricampionamento basato sulla funzione sinc fornisce la ricostruzione esatta di un segnale a banda perfettamente limitata, ma le ipotesi su cui si fonda non sono soddisfatte dalle immagini digitali reali e il suo supporto infinito lo rende inapplicabile nella pratica; se ne usano perciò versioni troncate mediante una funzione finestra.^[3] Tra queste il ricampionamento di Lanczos usa come finestra la stessa funzione sinc dilatata.^[8]

I metodi bilineare, bicubico e simili campionano un numero fisso di pixel: quando la riduzione supera una certa soglia, ad esempio quando l'immagine viene ridotta a meno della metà, finiscono per campionare pixel non adiacenti, con perdita di informazione e risultati grossolani. Il campionamento a riquadro (box sampling) risolve il problema considerando ogni pixel di destinazione come un riquadro sovrapposto all'immagine originale e calcolando la media di tutti i pixel che vi ricadono, in modo che ogni pixel dell'originale contribuisca al risultato.

Un'altra soluzione al problema della riduzione è l'uso delle mipmap, insiemi di copie dell'immagine precalcolate a risoluzioni progressivamente dimezzate: per ridurre l'immagine si parte dalla copia immediatamente più grande della dimensione desiderata, così da non scendere sotto la soglia utile dell'interpolazione bilineare. Il metodo è veloce, ma richiede un terzo di memoria in più rispetto all'immagine originale.^[9]

L'interpolazione basata sulla trasformata di Fourier aggiunge componenti nulle nel dominio della frequenza; il metodo conserva bene i dettagli, ma produce artefatti di ringing (fenomeno di Gibbs) e uno sconfinamento circolare del contenuto da un bordo all'altro dell'immagine.

Gli algoritmi di interpolazione guidata dai contorni (edge-directed interpolation) mirano a preservare i contorni dell'immagine, evitando gli artefatti a gradini prodotti da altri metodi. Tra questi figurano la new edge-directed interpolation (NEDI),^[10] ledge-guided image interpolation (EGII),^[11] literative curvature-based interpolation (ICBI)^[12] e la directional cubic convolution interpolation (DCCI).^[13] Uno studio del 2013 ne ha confrontato le prestazioni con quelle dell'interpolazione bilineare e bicubica.^[14]

Per ingrandire grafica a bassa risoluzione o con pochi colori si ottengono risultati migliori con algoritmi specifici, come hqx di Maxim Stepin, EPX, Eagle, 2×SaI o xBR, che producono contorni netti mantenendo un elevato livello di dettaglio.^[6]

La vettorializzazione segue un approccio diverso: l'immagine viene convertita in una rappresentazione vettoriale, indipendente dalla risoluzione, che può poi essere riprodotta a qualunque dimensione. Per la pixel art sono stati proposti algoritmi di vettorializzazione specifici, i cui risultati sono stati confrontati con quelli di strumenti di uso generale come Live Trace di Adobe Illustrator.^[2]

Per immagini più complesse, come fotografie e opere d'arte, si impiegano metodi di apprendimento profondo basati su reti neurali convoluzionali, come SRCNN.^[5] Da SRCNN ha preso spunto waifu2x, un programma nato per ingrandire le illustrazioni in stile anime e poi esteso alle fotografie, che consente anche la riduzione del rumore.^[15]

Gli strumenti di ingrandimento basati sull'intelligenza artificiale devono ricostruire dettagli assenti nell'originale e possono quindi introdurre artefatti fuorvianti. Nel 2025, ad esempio, una fotografia a bassa risoluzione di Donald Trump ingrandita con uno di questi strumenti fu diffusa su X come presunta prova di anomalie sul volto del presidente statunitense; secondo gli esperti le anomalie erano invece dovute alla distorsione introdotta dall'elaborazione.^[16]

Il ridimensionamento delle immagini è impiegato, tra l'altro, nei programmi di grafica, nei visualizzatori di immagini, nello zoom digitale, nella creazione delle miniature e nella riproduzione delle immagini su schermo o in stampa. Anche i browser ridimensionano le immagini delle pagine web: secondo un'analisi condotta con lo strumento ResampleScope, alcune versioni di Firefox e Opera usavano l'interpolazione lineare anche per le riduzioni, metodo poco adatto a fattori di scala elevati, mentre altre versioni di Firefox e Chrome adottavano per le riduzioni un filtro di Lanczos a tre lobi.^[17]

Nella riproduzione video il ridimensionamento serve ad adattare il segnale a sistemi di visualizzazione con risoluzioni diverse, ad esempio per riprodurre su un televisore ad alta definizione un contenuto a definizione standard. Il nucleo di uno scaler video è una funzione di interpolazione: le più comuni sono quelle bilineare, bicubica, spline, basata sulla trasformata discreta del coseno e gaussiana, mentre gli scaler di fascia alta usano interpolatori non lineari basati su modelli dell'immagine.^[1]

La grafica in pixel art è di solito a bassa risoluzione e si basa sul posizionamento accurato dei singoli pixel, con una tavolozza di colori limitata, perciò il suo ridimensionamento è particolarmente difficile: l'interpolazione del vicino più prossimo produce contorni a gradini, mentre i metodi bilineare e bicubico sfocano i bordi. Gli algoritmi specifici per la pixel art sono stati sviluppati soprattutto per i videogiochi eseguiti negli emulatori, dove la visualizzazione in rapporto 1:1 risulterebbe troppo piccola sugli schermi moderni.^[6]

Diverse aziende hanno sviluppato tecniche per ingrandire in tempo reale i fotogrammi dei videogiochi. Il DLSS di NVIDIA usa una rete neurale addestrata a generare pixel aggiuntivi, consentendo alla GPU di produrre la risoluzione piena dello schermo con una maggiore frequenza dei fotogrammi.^[18] La prima versione di FidelityFX Super Resolution (FSR) di AMD, introdotta nel 2021, è invece un algoritmo di ingrandimento spaziale ottimizzato a mano che elabora il solo fotogramma corrente, senza usare la storia dei fotogrammi o i vettori di movimento; le versioni successive adottano un approccio temporale.^[19] Tra le altre tecnologie figurano XeSS di Intel, che sostituisce l'antialiasing temporale con una rete neurale,^[20] e NVIDIA Image Scaling (NIS), che esegue in un unico passaggio uno scaling direzionale e un filtro di nitidezza.^[21]