抖动技术 - 用有限颜色表现渐变的类型与应用

什么是抖动 - 用少量颜色表现丰富渐变

抖动是一种通过巧妙排列有限颜色的像素来模拟更多颜色和平滑渐变的技术。当显示设备或输出格式的颜色数量有限时(如 GIF 的 256 色、黑白打印)，抖动可以在视觉上创造出远超实际颜色数的色彩层次。

为什么需要抖动：

• 减色处理：将 24 位真彩色(1600 万色)减少到 256 色或更少时，直接量化会产生明显的色带(banding)
• 打印：喷墨打印机每个点只能是有墨或无墨(二值)，通过抖动模拟连续色调
• 低色深显示：早期计算机和游戏机的有限调色板需要抖动来丰富视觉表现

抖动的基本原理：利用人眼的空间整合特性。当像素足够小时，人眼会将相邻的不同颜色像素混合感知为中间色。例如，黑白像素各占 50% 的区域看起来是灰色。

定义与历史：抖动 (Dithering) 是在只能使用有限色数的环境下，借助颜色的空间排列图案在知觉上再现中间色的技术。它在 1970 年代的计算机图形学中发展成形，如今仍广泛用于 GIF 转换、印刷、游戏开发、数字音频等领域。

需要抖动的场景：GIF 转换 — 把 24 位色减到 256 色时防止色带；印刷 — 用 CMYK 有限的墨色再现全彩 (半色调)；复古游戏 — 提升 16 色或 256 色调色板的表现力；数字音频 — 位深削减时的噪声整形；显示器 — 通过 FRC (Frame Rate Control) 实现伪阶调显示。

误差扩散 - Floyd-Steinberg 及其衍生

误差扩散是最常用的抖动方法，将每个像素的量化误差分散到周围未处理的像素，使整体亮度保持准确。

Floyd-Steinberg 算法：

• 从左到右、从上到下逐像素处理
• 将当前像素量化到最近的可用颜色
• 计算量化误差(原始值 - 量化值)
• 将误差按比例分配到相邻像素：右方 7/16、左下 3/16、正下 5/16、右下 1/16

特点：

• 产生自然、有机的纹理，无明显规律性图案
• 边缘保持锐利，细节保留好
• 可能产生「蠕虫状」伪影(worm artifacts)，特别是在大面积平坦区域

衍生算法：

• Jarvis-Judice-Ninke：更大的扩散核(12 个邻居)，结果更平滑但计算量更大
• Stucki：介于 Floyd-Steinberg 和 JJN 之间的折中方案
• Sierra：多种变体(Sierra, Two-Row Sierra, Sierra Lite)，在质量和速度间取舍
• Atkinson：仅扩散 3/4 的误差，产生更高对比度的结果。经典 Macintosh 风格

误差扩散的原理：误差扩散法 (Error Diffusion) 是把每个像素的量化误差分配给周围未处理像素的手法。让误差向外传播、使局部平均色接近原图，从而实现高质量的抖动。Floyd-Steinberg 抖动 (1976) 是其中最广泛使用的一种。

归一化分母的差异：Jarvis-Judice-Ninke 把误差分配给 12 个周围像素 (5x3 卷积核)，分配比率的合计以 48 归一化；Stucki 使用同样的 5x3 卷积核但比率不同，向更靠近中心的像素分配更多误差，合计以 42 归一化，适合照片的抖动。

蛇行扫描 (Serpentine Scanning)：普通的光栅扫描会使误差偏向右方传播，可能产生带方向性的伪影。蛇行扫描把奇数行改为从右向左处理，让误差的传播方向交替变化，从而减轻方向性伪影。

有序抖动 - Bayer 矩阵与图案抖动

有序抖动使用预定义的阈值矩阵决定每个像素是否量化为较亮或较暗的值。产生规则的网点图案，具有独特的复古美感。

Bayer 矩阵：

• 最常用的有序抖动矩阵，大小为 2x2、4x4、8x8 等(2 的幂次)
• 矩阵中的值均匀分布，确保各亮度级别的网点分布均匀
• 将像素值与对应位置的阈值比较：大于阈值则量化为亮色，否则为暗色

特点：

• 可并行处理：每个像素独立计算，无依赖关系。适合 GPU 并行和实时处理
• 规则图案：产生可预测的网点排列，在某些场景下可能显得机械
• 复古美学:8 位游戏和早期计算机图形的标志性视觉风格

应用场景：

• 游戏中的实时透明度模拟(屏幕门透明)
• 复古风格图像处理和像素艺术
• GPU 着色器中的实时抖动(如渐变带消除)
• 低带宽环境下的图像传输

有序抖动的定义：有序抖动 (Ordered Dithering) 使用事先定义好的阈值映射 (Bayer 矩阵) 来决定每个像素的量化目标。从 2x2 的基本矩阵 [[0,2],[3,1]] 出发，可依次扩展到 4x4、8x8、16x16。8x8 Bayer 矩阵能表现 65 级阶调，对多数用途已经足够。

应用方法：对每个像素 (x, y)，取 Bayer 矩阵对应位置 (x mod n, y mod n) 的阈值。常见实现是把阈值归一化到 [0, 1] 后与像素值比较。在着色器中则常写成 float threshold = bayer[int(gl_FragCoord.x) % 4][int(gl_FragCoord.y) % 4];，即从坐标计算索引，再与 alpha 值比较并 discard。

蓝噪声抖动与随机方法

蓝噪声抖动结合了误差扩散的视觉质量和有序抖动的可并行性。蓝噪声的频谱特性使其产生的图案最接近人眼感知的「随机」。

蓝噪声特性：

• 高频成分为主，低频成分极少
• 点的分布均匀但不规则，无明显聚集或空隙
• 人眼对低频图案(如 Bayer 的规则网格)敏感，但对高频随机分布不敏感

生成方法：

• Void-and-Cluster：迭代优化点的分布，使其频谱接近理想蓝噪声
• 预计算蓝噪声纹理：生成 64x64 或 128x128 的蓝噪声阈值图，平铺使用

白噪声抖动(随机抖动):

• 每个像素使用随机阈值，最简单但质量最差
• 产生明显的颗粒感，低频噪声使图案看起来不均匀
• 仅在需要极快速度且质量要求低时使用

对比：蓝噪声 > 误差扩散 > 有序抖动 > 白噪声(视觉质量排序)。但误差扩散无法并行，蓝噪声需要预计算纹理。实际选择取决于应用场景的约束。

蓝噪声的构造：蓝噪声 (Blue Noise) 抖动使用以高频成分为主的噪声图案。生成方法是从初始的随机图案出发，反复执行「移除最密集的点 (cluster)、向最稀疏的区域 (void) 追加点」这一操作。

随机方法与时间方向：随机抖动 (Stochastic Dithering) 是随机决定每个像素阈值的最简单手法。视频与实时渲染中则使用时间抖动 (Temporal Dithering)，按帧偏移抖动图案；与 TAA (Temporal Anti-Aliasing) 组合后，借助时间方向的平均化可提高实效阶调数。

抖动方法的质量评估与对比

不同抖动方法在视觉质量、计算效率和适用场景上各有优劣。系统对比有助于为特定需求选择最佳方法。

评估维度：

• 视觉质量：与原图的感知相似度，是否有明显伪影
• 边缘保持：锐利边缘是否被模糊或产生锯齿
• 平坦区域表现：大面积均匀色彩区域是否有图案伪影
• 计算效率：处理速度，是否可并行

方法对比：

• Floyd-Steinberg：综合质量最高，边缘锐利，但串行处理且可能有蠕虫伪影
• Bayer 4x4：速度最快，可完全并行，但规则图案明显
• 蓝噪声：视觉质量接近误差扩散，可并行处理，但需要预计算纹理
• Atkinson：高对比度风格，适合文本和线条图，不适合照片

量化指标：SSIM(结构相似性)、PSNR(峰值信噪比)可量化评估，但与人眼感知不完全一致。建议结合客观指标和主观评估。

评估指标：PSNR (Peak Signal-to-Noise Ratio) 测定与原图之间的数值差异，但它与抖动的知觉质量并不必然相关；SSIM (Structural Similarity) 则评估结构上的相似性。

位深削减的实务：从 8 位/通道 (1677 万色) 减到 6 位/通道 (26 万色) 时，只对渐变部分施加轻微抖动是有效的做法。

实现指南 - Python 和 GPU 着色器中的抖动

从 Python 原型到 GPU 实时着色器，实现各种抖动算法的实用指南。

Python 实现(Floyd-Steinberg):

• 使用 NumPy 数组操作，逐行处理像素
• 关键：使用浮点数组累积误差，最终输出时量化为整数
• PIL/Pillow 内置：img.convert("P", dither=Image.FLOYDSTEINBERG)

Python 实现(Bayer):

• 预定义 Bayer 矩阵，通过取模运算平铺到整张图像
• 向量化操作：threshold = bayer[y % n, x % n]; output = (pixel > threshold)
• NumPy 广播使整张图像可一次性处理，速度远超逐像素循环

GLSL 着色器(实时抖动):

• Bayer 抖动在片段着色器中仅需几行代码
• 用于消除渐变带：在量化前添加 Bayer 阈值偏移
• 屏幕门透明：根据 Bayer 阈值决定片段是否丢弃(discard)

WebGL/Canvas 实现：

• 通过 Canvas 2D API 获取像素数据，JavaScript 中实现抖动算法
• Web Worker 中处理避免阻塞主线程
• 对于实时效果，使用 WebGL 着色器实现 Bayer 抖动

Python (CPU) 侧的实现：用 NumPy 实现时，先把图像转换为 float32，再按光栅扫描顺序处理每个像素。量化用 np.round(pixel * (n_colors - 1)) / (n_colors - 1) 完成，随后计算误差并分配到周围。要提升处理速度，Numba 的 @jit 装饰器很有效，与纯 Python 相比可加速 50-100 倍。

Bayer 矩阵的生成与向量化：以 bayer_2x2 = np.array([[0, 2], [3, 1]]) 为基础，用 bayer_n = np.block([[4*bayer_m, 4*bayer_m+2], [4*bayer_m+3, 4*bayer_m+1]]) 扩展。向量化后可一次处理全部像素，比 Floyd-Steinberg 快 10 倍以上。透明度抖动 (Alpha-to-Coverage 的替代方案) 则比较 Bayer 阈值与 alpha 值，把低于阈值的片元 discard。

Pillow 与 ImageMagick 的实践：Pillow 中用 img.convert('P', palette=Image.ADAPTIVE, colors=16, dither=Image.FLOYDSTEINBERG) 即可同时完成减色与抖动。ImageMagick 中 convert input.png -colors 16 -dither FloydSteinberg output.gif 是等价处理；-dither None 表示不做抖动，-dither Riemersma 则可选择基于 Hilbert 曲线的抖动。