线性缩放几乎是所有图像处理框架的默认能力，它简单、快速，但遇到需要突出画面某一部分内容的场景时就会暴露短板。比如人脸放大、地图局部聚焦、医学影像的关键病灶区增强，这些需求都要求缩放映射关系不是均匀的，而是根据像素内容动态变化。Core Image作为iOS平台的核心图像处理框架，提供了自定义Kernel的能力，让我们可以在GPU上实现基于像素值的非线性缩放算法。本文将从原理、实现到细节增强，完整拆解这套技术方案。
一、非线性缩放的原理与线性插值的局限
先理解线性缩放做了什么。假设把一张100×100的图像放大到200×200，线性映射的计算方式是：目标图上坐标对应回源图坐标，取srcX = dstX × (srcW / dstW)，然后在邻近像素之间做双线性插值。整个映射关系是一条直线，每个像素获得的采样密度完全相同。
问题在于，图像各区域的信息密度并不均匀。一片纯色背景和一个包含文字的区域，用同样的采样密度处理显然不合理。非线性缩放的思路是引入一个映射函数f(x)，让映射曲线在感兴趣区域变得陡峭或平缓，从而改变局部采样密度。最经典的例子是鱼眼效果——距离中心越近，放大倍率越高，映射曲线呈现非线性弯曲。
基于像素值的非线性插值更进一步：映射函数的形态不再由几何距离决定，而是由像素本身的亮度、梯度或局部方差驱动。灰度值高或边缘强度大的区域自动获得更大的放大倍率，这相当于让算法自己识别并突出细节密集区。
二、基于自定义Kernel实现像素驱动的非线性插值
Core Image的CIColorKernel或CIWarpKernel支持编写GLSL风格的自定义着色代码。实现非线性缩放的关键是在Warp Kernel中改写坐标映射逻辑。下面的例子实现了根据源像素亮度动态调整缩放因子的效果：
kernel vec4 nonLinearWarp(sampler image, float strength)
{
vec2 center = samplerCoord(image) 的中心坐标;
vec2 coord = destCoord();
// 计算当前点到中心的归一化距离
vec2 delta = coord - center;
float dist = length(delta) / 500.0;
// 采样源图像亮度作为非线性因子
float lum = sample(image, samplerTransform(image, coord)).r;
// 非线性映射：亮度越高，径向压缩越强，视觉上放大越明显
float factor = 1.0 - strength * lum * (1.0 - dist * dist);
vec2 newCoord = center + delta * factor;
return sample(image, samplerTransform(image, newCoord));
}
上面这段Kernel的核心思想是：读取当前坐标处的像素亮度，用亮度值调制径向距离的缩放系数。亮度高的像素（通常是画面主体）周围的空间被压缩，等效于局部放大；亮度低的背景区域保持原样。strength参数控制非线性的强度，实际使用时建议从0.3开始调试。
在Swift侧加载Kernel时需要注意，Kernel代码要以字符串形式打包进Bundle，文件扩展名推荐使用.cikernel。加载与调用的代码如下：
class NonLinearScaleFilter: CIFilter {
var inputImage: CIImage?
var inputStrength: Float = 0.5
static var kernel: CIWarpKernel? = {
guard let url = Bundle.main.url(forResource: "nonlinear", withExtension: "cikernel"),
let source = try? String(contentsOf: url, encoding: .utf8) else { return nil }
return CIWarpKernel(source: source)
}()
override var outputImage: CIImage? {
guard let image = inputImage, let kernel = Self.kernel else { return nil }
return kernel.applyExtent(
extent: image.extent,
inputImage: image,
arguments: [inputStrength]
)
}
}
这个封装方式的好处是符合CIFilter的标准接口，可以直接嵌入CIFilter链，也方便导出给Core Animation或Metal层使用。需要注意Kernel中避免使用循环和条件分支，GPU着色器的分支代价较高，能用数学表达式展开的逻辑尽量展开。
三、局部放大：用遮罩控制非线性区域
纯像素驱动的方案虽然智能，但有时会导致放大区域不可控。更工程化的做法是结合遮罩图：用一张灰度遮罩明确指定哪些区域需要放大，Kernel根据遮罩值决定映射曲线的弯曲程度。这样设计师可以精确控制放大焦点，例如人脸检测框内的区域。
实现思路是把遮罩作为第二个采样器传入Kernel，在计算缩放系数时不再读源图像亮度，而是读遮罩值。示例代码：
kernel vec4 maskWarp(sampler image, sampler mask, float radius, float zoom)
{
vec2 coord = destCoord();
// 读取遮罩上该位置的权重
float weight = sample(mask, samplerTransform(mask, coord)).r;
// 平滑衰减函数，让放大区域与周围自然过渡
float falloff = smoothstep(0.0, 1.0, weight);
vec2 center = vec2(mask.getSize().x * 0.5, mask.getSize().y * 0.5);
vec2 delta = coord - center;
float factor = mix(1.0, 1.0 / zoom, falloff);
return sample(image, samplerTransform(image, center + delta * factor));
}
smoothstep函数在这里非常关键。如果遮罩边缘是硬切换，放大区域和原始区域之间会出现明显的像素断层，视觉上像贴了一块补丁。经过平滑过渡后，边界处呈现连续的缩放梯度，效果自然得多。
遮罩的生成可以很灵活：用Core Graphics绘制径向渐变产生圆形焦点，或者用Vision框架的人脸矩形框生成对应区域，再叠加高斯模糊做软化处理。下图展示了几种常见遮罩参数对最终效果的影响：
| 遮罩类型 | 过渡宽度 | 适用场景 |
|---|---|---|
| 径向渐变 | 大（0.3以上） | 相册局部放大、查看细节 |
| 人脸框+模糊 | 中等 | 美颜相机的五官突出 |
| 边缘检测图 | 小（0.1以下） | 文字与线条增强 |
四、结合细节增强的完整方案
非线性缩放放大局部区域后，插值产生的新像素不可避免会显得模糊，因此细节增强是这套方案不可缺少的收尾环节。Core Image提供了几种可组合的手段。
第一种是CISharpenLuminance滤镜，它基于亮度通道做锐化，对放大区域的观感提升立竿见影。第二种更可控的方案是自定义Unsharp Mask：先用CIGaussianBlur生成模糊版本，再用CISourceOverCompositing或自定义混合Kernel计算原图与模糊图的差值，放大差值后叠加回原图。差值图中恰好包含了高频细节信息，放大它就等于增强边缘。
func enhanceDetail(_ image: CIImage, amount: Float = 1.5) -> CIImage {
let blurred = image.applyingFilter("CIGaussianBlur", parameters: [
kCIInputRadiusKey: 3.0
]).cropped(to: image.extent)
let mask = image.applyingFilter("CIDifferenceBlendMode", parameters: [
kCIInputBackgroundImageKey: blurred
])
// 差值放大后与原图叠加，实现细节增益
let enhanced = mask.applyingFilter("CIColorMatrix", parameters: [
"inputRVector": CIVector(x: CGFloat(amount), y: 0, z: 0, w: 0),
"inputGVector": CIVector(x: 0, y: CGFloat(amount), z: 0, w: 0),
"inputBVector": CIVector(x: 0, y: 0, z: CGFloat(amount), w: 0)
])
return enhanced.applyingFilter("CIAdditionCompositing", parameters: [
kCIInputBackgroundImageKey: image
]).cropped(to: image.extent)
}
完整的处理链路应该是：原始图像先经过非线性Warp放大目标区域，再经过细节增强，最后根据需要做色彩校正。顺序不能颠倒——如果先锐化再放大，插值过程会把增强的边缘重新抹平，等于做了无用功。
性能方面，这条链路全部运行在GPU上，一张1200万像素的照片在A系列芯片上处理耗时通常在几十毫秒级别，满足实时预览需求。如果用于相机实时流，建议把CIFilter链编译成CICompiledFilter，并在CIContext创建时指定低功耗GPU选项，能有效降低发热。另外要留意Kernel中samplerTransform的调用次数，每个额外采样都会增加带宽消耗，能在分支外提前计算的向量尽量提前算。
五、常见坑点与调优建议
第一，坐标系混淆是最高频的错误。Core Image内部同时存在working coordinate和pixel coordinate，destCoord返回的是输出坐标，而samplerCoord针对的是采样空间，两者在图像有orientation或经过transform后并不一致。调试阶段可以先用恒等Kernel（原样返回坐标）验证坐标系是否理解正确。
第二，放大倍率过大会出现采样空洞。当缩放系数超过一定阈值，多个目标像素映射到同一个源像素，画面呈现色块化。解决办法是在Kernel里做多次采样的双线性混合，或限制zoom参数上限在3.0左右。
第三，EXIF方向问题。iPhone拍摄的照片往往带有orientation标记，直接处理会出现放大区域错位。稳妥的做法是先用CGImageSourceCreateImageAtIndex带kCGImageSourceCreateThumbnailWithTransform选项读入，或手动调用image.oriented(forExifOrientation:)修正后再进入滤镜链。
掌握这几个要点后，基于像素值的非线性缩放可以扩展出很多玩法：结合Core ML的语义分割结果生成遮罩，能实现按物体类别智能放大；叠加时间维度做动画插值，可以做出电影感的推镜效果。Core Image的自定义Kernel能力配合Metal的底层性能，为这类创意图像处理提供了足够的发挥空间。
Core Image非线性插值图像局部放大修改时间：2026-09-15 13:30:51