你有没有遇过这种情况：一张原图看细节清清楚楚，一缩小反而出现了一堆细密的、像水波纹一样的纹路，或者边缘出现诡异的锯齿闪烁？很多人第一反应是“算法不行”，赶紧换更高级的插值，比如从双三次换成Lanczos。但说实话，我用exiftool和ImageMagick折腾过几百张测试图，发现缩小时真正的问题往往不是插值算法本身，而是——你压根没做抗混叠滤波。
这里涉及一个冷门而关键的概念：混叠（Aliasing）。当图片被缩小，意味着高频率信息被强行压缩到低分辨率空间。如果直接把原图的像素抽稀，高于新分辨率奈奎斯特频率的那些细节就会“伪装”成低频纹理，也就是摩尔纹或者看起来发脏的条纹。举个例子，我拍了一张衣领处的密集横纹，原尺寸看着很正常，缩到1/4后横纹变成了斜向的摩尔纹——这不是算法不够强，而是数学上必然发生的伪信号。
为了验证不同算法的真实表现，我写了个Python脚本，用同一张标准测试图（ISO 12233分辨率卡，附带彩色条纹）做了六种降采样对比：最近邻、双线性、双三次、Lanczos（a=2）、区域平均（box），以及一种“高斯先滤波+箱式采样”的自定义流程。结果非常反直觉：在1/6缩放比下，双三次和Lanczos在细节区域的“伪清晰”感最好，但频谱分析显示它们保留了大量混叠分量；而区域平均虽然看起来偏柔，却几乎没有摩尔纹。默认情况下，OpenCV的resize用INTER_CUBIC，PIL的thumbnail用LANCZOS——这两个常用工具都没有自动执行足够的低通滤波，就难怪缩出来的图总是有点“脏”。
后来我不再依赖工具箱的“最佳默认值”，自己写了一套流程：先根据缩放比例计算高斯核的sigma（大概取0.65~1.2，缩放比越大sigma越高），在频域里或空域做一遍低通，然后再用双线性采样做最终缩小。这样做出来的图，边缘不锐利，却干净得让人舒服——没有摩尔纹，也没有那种亮得发假的边缘光晕。还有一个更简单的招：先把图片转成YCbCr，只在亮度通道做抗混叠，色度通道的摩尔纹其实对人眼不敏感，能省不少计算时间，这是我试过最快的实用方案。
我知道很多人缩图就是为了发朋友圈或者做缩略图，觉得放大才需要讲究插值，缩小随便弄弄就行。但恰恰相反，缩小才是最容易毁掉一张图的操作。如果你追求“像原图缩小后应该有的样子”，而不是“局部的边缘看起来更锐”，请记住：先滤掉高音，再去采样。具体建议是——能用图像处理库就显式指定一个高斯的预滤波参数，别丢给默认的resize；如果只能用现成工具，选“区域平均”或“高质量缩放”而不要选“锐化缩放”；最后，缩完后加一个0.3像素的轻量USM，能补偿一些主观锐度，但别过。这套方法对我一直在用的扫描件数字化处理特别有效，至少比之前直接Lanczos缩短了三分之一的后期修图时间。
