1樓：Tux ZZ
視覺上，不抗混疊可能會出奇怪的條紋，一般會有銳度變高的感覺，放大看不自然。
數學上，不抗混疊會使原來高於nyq頻率的分量變成不正確的低頻分量，得到不正確的結果。
opencv裡適合縮小影象的演算法只有area。其他都會有比較明顯的混疊。
想要得到明顯的混疊效果對比圖，你分別用lanczos和area縮小一張以線條為主二次元大圖，縮小到很小就明顯了。
2樓：尤洋
這個應該是anti-aliasing的問題。原影象是離散的，相當於在空間域提供了等間距的sample。降取樣的意思就是要先重構出原影象的連續的空間域，再在空間域乘上Shah函式，其中Shah的週期由降取樣後的解析度決定。
原影象的取樣率（解析度）若是未大於2倍的影象函式的最高頻率，就會發生aliasing。另外，當降取樣時，空間中的取樣間隔增大，會導致頻域中相鄰兩個週期中高頻部分相疊，因此我們在原影象上採用頻域的box filter與原影象頻域函式相乘，來cut掉重疊的頻率部分。
在頻域上相乘相當於在空間域做卷積。然而，box filter在空間域是無限延伸的sinc函式，因此一般都用均值濾波，三角濾波，高斯濾波，Mitchell濾波或者boxed sinc濾波。計算的複雜度由低到高，同時效果也從次到好。
3樓：王贇 Maigo
「混疊」指的是高頻資訊在降取樣的時候，重疊到低頻段上面去的現象。
對於影象來說，只有在原圖高頻資訊豐富（即邊緣多且距離近）的情況下，縮小時才會有明顯的混疊現象發生。Lena圖的高頻資訊並不算豐富，所以觀察不到明顯的混疊。
維基百科上有乙個很好的例子（Spatial anti-aliasing）：
原圖（並未給出）是一張黑白格，圖(a)是直接降取樣後的結果。
可以看到，遠處的黑白格產生了謎一般的花紋，這就是混疊現象的表現。
究其原因，是因為遠處的每個格仔的大小小於1個畫素，遠處的影象相當於每隔幾個格仔隨便取了乙個格仔的顏色。
混疊現象產生的原因是原圖資訊的空間頻率太高，縮小後影象的解析度無法表示這麼高頻的資訊。
所謂的「抗混疊」，就是在降取樣之前先對原圖進行低通濾波，把高頻資訊濾掉。
圖(b)和圖(c)是採用了兩種不同的低通濾波器後，再進行降取樣的結果，可以看到遠處的謎之花紋消失了，變成了灰色。
變成灰色是因為低通濾波的效果其實就是模糊。
抗混疊還有另外乙個效果，就是近處的格仔邊緣也變得更加平滑了。
為什麼對影象進行卷積操作而不是相關操作？
Bihan Wen 瀉藥。其實卷積操作並不是對影象處理唯一的操作。只是很多的變換在時域上等效為卷及操作而已。這裡可以有很嚴密的數學證明。不過Intuitively，我感覺可能大部分這類的變換都和影象的頻率特徵有關 比如小波，Fourier之類 而這類操作都等效為乙個頻率的線性變換 乙個matrix ...
用深度學習對醫學影象進行分割時，是否有必要將解析度標準化，例如都標準化為2x2x2？
明天很煩 我在做醫學影象處理也遇到了解析度的問題，不過我做的是二維影象。由於打的深度不同，導致影象的解析度不一樣。將影象解析度標準化之後，分類的準確率在正負百分之二波動。理論上來說，解析度標準化才是更好的，但是實際結果卻很奇怪，很令人困惑。感覺做醫學影象的人比較少，如果消除影象解析度不同產生的影響，...
用神經網路進行影象分類時，為什麼輸出層的神經單元數量要跟分類數相同？
小小何先生 當然可以，還結合了整合學習，將原來的多分類問題隨機轉化多個二分類問題來訓練學習器。經典的乙個演算法就是糾錯輸出編碼法 Error Correcting Output Codes，ECOC 將每個類別對應乙個長度為n的二進位制位串 稱為碼字 共形成m個碼字，這些碼字的同一位描述了乙個二值函...