A digitális világban élve naponta találkozunk képekkel, amelyek különböző méretekben jelennek meg eszközeinken. Egy mobiltelefon képernyőjén tökéletesen néz ki egy fotó, de amikor nagyobb kijelzőre kerül, elmosódik vagy pixeles lesz. Ez a jelenség mindannyiunkat érint, legyen szó közösségi média posztokról, weboldal képekről vagy nyomtatásra szánt anyagokról.
A kép méretezés nem csupán egyszerű nagyítás vagy kicsinyítés – ez egy összetett technikai folyamat, amely meghatározza, hogyan néznek ki vizuális tartalmaink különböző platformokon. Léteznek alapvető módszerek, mint a legközelebbi szomszéd algoritmus, és fejlett technikák, mint a bicubic interpoláció vagy a mesterséges intelligencia alapú megoldások. Minden módszernek megvannak az előnyei és hátrányai.
Az alábbi részletes áttekintés során megismerheted a legfontosabb méretezési algoritmusokat, gyakorlati alkalmazási területeiket, valamint konkrét tippeket kapsz arra, hogyan válaszd ki a megfelelő technikát különböző helyzetekben. Emellett megtudhatod, milyen eszközök állnak rendelkezésedre, és hogyan optimalizálhatod képeid minőségét minden platformon.
Mi is valójában a kép méretezés?
A digitális képek átméretezése egy matematikai folyamat, amelynek során megváltoztatjuk a kép pixel dimenzióit. Minden digitális kép pixelekből áll, amelyek apró színes pontok egy rácsban elrendezve. Amikor megváltoztatjuk a kép méretét, lényegében újraszámoljuk, hogy ezek a pixelek hogyan oszoljanak el az új dimenzióban.
A méretezés során két fő irányba mozoghatunk: felfelé (upscaling) vagy lefelé (downscaling). Mindkét folyamat kihívásokat rejt magában, mivel az eredeti képinformációt kell valamilyen módon átalakítani.
Az átméretezés minősége nagymértékben függ a választott algoritmustól és a kép eredeti tulajdonságaitól.
Alapvető fogalmak és terminológia
Felbontás és pixel sűrűség
- Felbontás: a kép szélességének és magasságának pixelben mért értéke
- DPI (Dots Per Inch): hüvelykenkénti pontok száma nyomtatásnál
- PPI (Pixels Per Inch): hüvelykenkénti pixelek száma digitális megjelenítésnél
Képarány megőrzése
Az aspect ratio fenntartása kritikus fontosságú a torzítás elkerülése érdekében. Egy 4:3 arányú képet nem érdemes 16:9-re nyújtani anélkül, hogy megfelelő vágást vagy padding-et alkalmaznánk.
Interpoláció típusok
A különböző interpolációs módszerek eltérő eredményeket produkálnak. A választás függ a kép típusától, a kívánt minőségtől és a rendelkezésre álló számítási kapacitástól.
| Interpolációs módszer | Sebesség | Minőség | Legjobb alkalmazási terület |
|---|---|---|---|
| Nearest Neighbor | Nagyon gyors | Alacsony | Pixel art, egyszerű grafikák |
| Bilinear | Gyors | Közepes | Általános célú méretezés |
| Bicubic | Közepes | Magas | Fotók, részletes képek |
| Lanczos | Lassú | Nagyon magas | Professzionális fotószerkesztés |
Legközelebbi szomszéd algoritmus
A nearest neighbor algoritmus a legegyszerűbb méretezési módszer, amely minden új pixelhez a legközelebbi eredeti pixel értékét rendeli hozzá. Ez a technika rendkívül gyors, mivel nem végez számításokat a pixel értékeken, csupán kiválasztja a legközelebbi értéket.
Az algoritmus működése során minden új pozícióhoz megkeresi a legközelebbi eredeti pixel koordinátáját, majd annak színértékét másolja át. Ez azt jelenti, hogy az eredeti pixelek értékei változatlanul maradnak, csak a pozíciójuk változik meg.
A módszer legnagyobb előnye a sebesség és az egyszerűség, azonban a minőség gyakran nem kielégítő, különösen nagyobb méretezési arányok esetén.
Mikor használjuk a legközelebbi szomszéd módszert?
Pixel art és retro grafikák
A legközelebbi szomszéd algoritmus ideális pixel art képek méretezésére, mivel megőrzi az éles vonalakat és a tiszta színhatárokat. A retro játékok grafikáinál ez a módszer biztosítja a hiteles megjelenést.
Gyors előnézetek készítése
Amikor gyors thumbnail képekre van szükség, és a minőség másodlagos, ez a módszer kiváló választás. A sebesség itt fontosabb, mint a vizuális tökéletesség.
Egyszerű geometriai formák
Diagramok, egyszerű ikonok és geometriai alakzatok esetén a nearest neighbor jól működik, mivel ezek általában éles vonalakból és egyszerű színekből állnak.
"A legközelebbi szomszéd algoritmus egyszerűsége egyben legnagyobb erőssége és gyengesége is – gyors, de a minőség gyakran kompromisszumot igényel."
Bilineáris interpoláció
A bilineáris interpoláció már kifinomultabb megközelítést alkalmaz, amely négy szomszédos pixel értékét veszi figyelembe minden új pixel kiszámításakor. Ez a módszer lineáris interpolációt végez először vízszintesen, majd függőlegesen, így simább átmeneteket hoz létre.
Az algoritmus először meghatározza a négy legközelebbi eredeti pixelt, majd azok távolsága alapján súlyozott átlagot számol. Minél közelebb van egy eredeti pixel az új pozícióhoz, annál nagyobb súllyal veszi figyelembe az értékét.
A bilineáris interpoláció jelentősen jobb minőséget nyújt, mint a legközelebbi szomszéd, ugyanakkor még mindig viszonylag gyors végrehajtású.
Gyakorlati alkalmazások
Weboldal képek optimalizálása
A legtöbb weboldal automatikus képméretezése bilineáris interpolációt használ, mivel jó egyensúlyt teremt a minőség és a sebesség között. Ez különösen fontos a reszponzív weboldalak esetén.
Mobilalkalmazások
A mobil eszközök korlátozott számítási kapacitása miatt gyakran a bilineáris módszert választják. Ez elég gyors ahhoz, hogy valós időben működjön, de elég jó minőségű a felhasználói élményhez.
Videó lejátszás
A videó streamelés során gyakran szükség van valós idejű méretezésre, ahol a bilineáris interpoláció optimális választás a teljesítmény és minőség közötti egyensúly miatt.
Bicubic interpoláció
A bicubic interpoláció tizenhat szomszédos pixelt vesz figyelembe, és harmadik fokú polinomokat használ az interpolációhoz. Ez a módszer jelentősen jobb minőséget nyújt, különösen a részletek megőrzésében és az éles átmenetek simításában.
Az algoritmus összetettebb matematikai számításokat végez, ami lassabb végrehajtást eredményez, de a végeredmény általában sokkal természetesebb és részletgazdagabb. A bicubic interpoláció különösen hatékony a fényességi változások és a színátmenetek kezelésében.
Ez a módszer gyakran az alapértelmezett választás professzionális képszerkesztő szoftverekben, ahol a minőség elsődleges szempont.
Mikor válasszuk a bicubic módszert?
Fotók professzionális szerkesztése
A bicubic interpoláció kiváló választás portréfotók, tájképek és részletes fényképek méretezésére. A bőr textúrája, a hajszálak és a finom részletek jobban megmaradnak.
Nyomtatási előkészítés
Amikor képeket készítünk nyomtatásra, a bicubic interpoláció biztosítja a legjobb minőséget. A nyomtatott anyagok esetén különösen fontos a részletek megőrzése.
Művészeti reprodukciók
Festmények, grafikai művek digitalizálásakor és méretezésekor a bicubic módszer megőrzi a művészi részleteket és a színátmeneteket.
"A bicubic interpoláció matematikai bonyolultsága megtérül a vizuális eredmények minőségében – ez az oka, hogy a professzionális szoftverek alapértelmezett választása."
Lanczos algoritmus
A Lanczos algoritmus a legkifinomultabb hagyományos méretezési módszerek egyike, amely sinc függvényt használ az interpolációhoz. Ez a módszer kiváló részletmegőrzést biztosít, különösen éles vonalak és szövegek esetén.
Az algoritmus a sinc függvény egy ablakozott változatát alkalmazza, amely minimalizálja az aliasing effektust és maximalizálja a részletek megőrzését. A Lanczos különböző változatai léteznek (Lanczos-2, Lanczos-3), amelyek eltérő számú szomszédos pixelt vesznek figyelembe.
A módszer hátránya a jelentős számítási igény, de az eredmény gyakran felülmúlja a bicubic interpoláció minőségét.
Speciális alkalmazási területek
Tudományos képalkotás
Orvosi képek, műholdas felvételek és tudományos mérések esetén a Lanczos algoritmus pontossága kritikus fontosságú. Itt a részletek elvesztése komoly következményekkel járhat.
Archív anyagok digitalizálása
Régi fényképek, dokumentumok és történelmi anyagok digitalizálásakor a Lanczos módszer segít megőrizni az eredeti részleteket és minőséget.
Professzionális videószerkesztés
A filmipari alkalmazásokban, ahol a képminőség kritikus, a Lanczos algoritmus gyakran kerül alkalmazásra a legmagasabb minőségű eredmények elérése érdekében.
Mesterséges intelligencia alapú méretezés
A modern technológia legújabb vívmánya az AI-alapú képméretezés, amely gépi tanulás segítségével "kitalálja" a hiányzó részleteket. Ezek az algoritmusok millió képen tanultak, és képesek felismerni mintákat, textúrákat és struktúrákat.
A neurális hálózatok alapú módszerek, mint a ESRGAN, Real-ESRGAN vagy WAIFU2X, forradalmasították a képméretezést. Ezek a rendszerek nem csupán interpolálnak, hanem valóban újra alkotják a képet magasabb felbontásban.
Az AI-alapú megoldások különösen hatékonyak anime stílusú képek, régi fényképek és alacsony felbontású anyagok javításában.
AI módszerek típusai és alkalmazásai
ESRGAN (Enhanced Super-Resolution GAN)
Ez a módszer generatív adversarial hálózatokat használ, amely két neurális hálózat versenyeztetésén alapul. Az egyik hálózat próbálja létrehozni a legjobb minőségű képet, míg a másik próbálja felismerni, hogy az eredmény valódi vagy generált.
Real-ESRGAN
A Real-ESRGAN a valós világbeli képek kezelésére optimalizált, és különösen hatékony degradált, tömörített vagy zajjal terhelt képek javításában.
WAIFU2X
Speciálisan anime és rajzolt képek méretezésére fejlesztett AI, amely kiváló eredményeket ér el a stilizált grafikáknál.
| AI módszer | Specialitás | Feldolgozási idő | Eredmény minőség |
|---|---|---|---|
| ESRGAN | Általános célú | Közepes | Kiváló |
| Real-ESRGAN | Valós fotók | Közepes-hosszú | Kiváló |
| WAIFU2X | Anime/rajzok | Rövid-közepes | Kiváló (stilizált) |
| SRCNN | Gyors feldolgozás | Rövid | Jó |
Gyakorlati alkalmazások különböző területeken
A képméretezés alkalmazási területei rendkívül szerteágazóak, és minden terület specifikus követelményeket támaszt. A webfejlesztéstől kezdve a nyomdaiparig, minden területen mások a prioritások és elvárások.
A választott módszer hatással van a végfelhasználói élményre, a betöltési sebességre, a tárhelyre és természetesen a vizuális minőségre is. Fontos megérteni, hogy melyik technika mikor a legmegfelelőbb.
Az alábbi áttekintés segít eligazodni a különböző alkalmazási területek specifikus igényei között.
Webfejlesztés és reszponzív design
Automatikus képoptimalizálás
A modern webhelyek automatikusan átméretezik a képeket a felhasználó eszközének megfelelően. Ez magában foglalja a különböző képernyőméretek, pixel sűrűségek és sávszélesség korlátok figyelembevételét.
Progressive képbetöltés
A progresszív betöltés során először egy alacsony felbontású verzió jelenik meg, amely fokozatosan javul. Ez javítja a felhasználói élményt és csökkenti a várakozási időt.
WebP és AVIF formátumok
Az újabb képformátumok hatékonyabb tömörítést kínálnak, de a méretezési algoritmus választása továbbra is kritikus a végső minőség szempontjából.
"A webes képoptimalizálás nem csak a fájlméretről szól – a megfelelő méretezési algoritmus választása ugyanolyan fontos a felhasználói élmény szempontjából."
Nyomdaipar és print média
DPI követelmények
A nyomtatás során általában 300 DPI felbontás szükséges a professzionális minőséghez. Ez azt jelenti, hogy egy 10×15 cm-es fotóhoz legalább 1181×1772 pixel felbontás szükséges.
Színtér konverziók
A nyomtatás során gyakran szükség van RGB-ről CMYK színtérre való áttérésre, ami befolyásolja a méretezési stratégiát is.
Vágási jelek és túlfutás
A professzionális nyomtatásban figyelembe kell venni a vágási jeleket és a bleed területet, ami hatással van a képméretezési követelményekre.
Mobilalkalmazások
Többféle képernyő sűrűség
A mobil eszközök széles skálája különböző pixel sűrűségeket használ (1x, 1.5x, 2x, 3x, 4x), ami megköveteli a képek többféle méretben való tárolását vagy dinamikus méretezését.
Memória optimalizálás
A mobil eszközök korlátozott memóriája miatt fontos a hatékony képméretezés, amely nem terheli túl a rendszert.
Gyors betöltés
A mobilhálózatok változó sebessége miatt kritikus a gyors képbetöltés, ami megfelelő méretezési és tömörítési stratégiát igényel.
Minőség vs. teljesítmény: a megfelelő egyensúly megtalálása
A képméretezés során állandó kompromisszumot kell kötni a minőség és a teljesítmény között. A döntés során figyelembe kell venni a célközönséget, a felhasználási környezetet és a rendelkezésre álló erőforrásokat.
A teljesítmény nemcsak a feldolgozási sebességet jelenti, hanem a memóriahasználatot, a processzor terhelést és az energiafogyasztást is. Ezek különösen fontosak mobil eszközök és webszerverek esetén.
A minőségi szempontok között szerepel a részletmegőrzés, a színhűség, az éles vonalak kezelése és az artefaktumok minimalizálása.
Teljesítmény optimalizálási stratégiák
Cache-elés és előre generálás
A gyakran használt méretek előre generálása és cache-elése jelentősen javíthatja a teljesítményt. Ez különösen hasznos weboldalaknál és alkalmazásoknál.
Aszinkron feldolgozás
A képméretezés háttérben történő elvégzése javítja a felhasználói élményt, különösen nagyobb képek vagy bonyolultabb algoritmusok esetén.
Hardware gyorsítás
A GPU-alapú képfeldolgozás jelentősen felgyorsíthatja a méretezési folyamatokat, különösen AI-alapú módszerek esetén.
"A tökéletes képméretezési megoldás nem létezik – mindig a konkrét használati eset határozza meg az optimális egyensúlyt a minőség és teljesítmény között."
Adaptív minőségbeállítások
Eszköz alapú optimalizálás
A különböző eszközök eltérő képességei alapján automatikusan beállítható a méretezési algoritmus. Erős asztali gépek használhatnak komplexebb módszereket, míg mobil eszközök egyszerűbbeket.
Hálózati viszonyok figyelembevétele
Lassú internetkapcsolat esetén alacsonyabb minőségű, de gyorsabban betöltődő képek szolgáltatása javítja a felhasználói élményt.
Tartalomtípus alapú választás
A kép típusa (fotó, grafika, szöveg) alapján automatikusan kiválasztható a legmegfelelőbb méretezési algoritmus.
Eszközök és szoftverek
A képméretezéshez számos eszköz áll rendelkezésre, a parancssori segédprogramoktól kezdve a professzionális grafikai szoftverekig. Minden eszköz különböző előnyöket és funkciókat kínál.
A választás során figyelembe kell venni a felhasználó technikai tudását, a projekt méretét, a költségkeretet és a specifikus követelményeket. Vannak ingyenes és fizetős megoldások egyaránt.
Az automatizálás lehetőségei különösen fontosak nagyobb projektek esetén, ahol több ezer kép feldolgozására lehet szükség.
Professzionális szoftverek
Adobe Photoshop
A Photoshop kiváló méretezési algoritmusokat kínál, beleértve a bicubic változatokat és az AI-alapú Super Resolution funkciót. A batch feldolgozás lehetősége nagyban megkönnyíti a tömeges képfeldolgozást.
GIMP (GNU Image Manipulation Program)
Az ingyenes GIMP szintén támogatja a főbb méretezési algoritmusokat, és script-elhető, így automatizálható a folyamat. Kiváló alternatíva azoknak, akik nem engedhetik meg maguknak a fizetős szoftvereket.
Affinity Photo
Az Affinity Photo modern, gyors és költséghatékony alternatívát kínál, fejlett méretezési algoritmusokkal és professzionális funkciókkal.
Online eszközök és szolgáltatások
Cloudinary és hasonló szolgáltatások
A felhő alapú képfeldolgozó szolgáltatások automatikus méretezést és optimalizálást kínálnak. Ezek különösen hasznosak webfejlesztők számára.
AI-alapú online eszközök
Számos online szolgáltatás kínál AI-alapú képméretezést, amelyek gyakran ingyenes korlátozott használattal érhetők el.
Browser-alapú szerkesztők
A modern böngésző alapú képszerkesztők egyre kifinomultabb méretezési funkciókat kínálnak, minden telepítés nélkül.
"A megfelelő eszköz kiválasztása gyakran fontosabb, mint maga az algoritmus – egy jó workflow többet ér, mint a legjobb technológia rossz implementációban."
Parancssori eszközök és automatizálás
ImageMagick
Az ImageMagick egy rendkívül hatékony parancssori eszköz, amely támogatja az összes főbb méretezési algoritmust. Scriptelhető és automatizálható, így ideális nagyobb projektek számára.
FFmpeg képfeldolgozás
Bár elsősorban videó eszköz, az FFmpeg kiváló képfeldolgozási képességekkel is rendelkezik, beleértve a fejlett méretezési algoritmusokat.
Python és programozási megoldások
A PIL/Pillow, OpenCV és más könyvtárak lehetővé teszik a képméretezés programozott vezérlését, teljes rugalmasságot biztosítva.
Hibák és problémák megoldása
A képméretezés során számos probléma merülhet fel, amelyek befolyásolják a végeredmény minőségét. Ezek a problémák gyakran a rossz algoritmus választásából, helytelen paraméterek beállításából vagy a forráskép tulajdonságainak figyelmen kívül hagyásából erednek.
A leggyakoribb problémák közé tartoznak az aliasing, a moiré mintázatok, a színeltolódások és a részletek elvesztése. Ezek mindegyike megoldható a megfelelő technikák alkalmazásával.
A problémák azonosítása és megoldása gyakran tapasztalatot igényel, de vannak általános elvek és technikák, amelyek segítenek.
Gyakori minőségi problémák
Aliasing és lépcsőzetes vonalak
Az aliasing akkor jelentkezik, amikor az átméretezés során a finom részletek vagy ferde vonalak "lépcsőzetessé" válnak. Ez különösen gyakori a nearest neighbor algoritmusnál.
Megoldás: Anti-aliasing szűrők alkalmazása, magasabb minőségű interpolációs módszerek használata, vagy a forráskép előzetes simítása.
Moiré mintázatok
A moiré effektus szabályos mintázatok (pl. szövetek, rácsok) méretezésekor jelentkezik, amikor a mintázat frekvenciája interferál a pixel ráccsal.
Megoldás: Előzetes elmosás alkalmazása, vagy a méretezési arány finomhangolása a problémás frekvenciák elkerülése érdekében.
Túlzott elmosódás vagy élességvesztés
Különösen bicubic és hasonló simító algoritmusoknál jelentkezhet, amikor a kép túlságosan "puha" lesz.
Megoldás: Utólagos élességnövelés (unsharp mask), vagy kevésbé simító algoritmus választása.
"A legtöbb méretezési probléma megelőzhető a megfelelő előkészítéssel és a forráskép tulajdonságainak alapos megismerésével."
Színkezelési kérdések
Színtér problémák
A különböző színterek (sRGB, Adobe RGB, ProPhoto RGB) eltérően viselkednek a méretezés során, ami színeltolódásokat okozhat.
Megoldás: Konzisztens színtér használata a teljes workflow során, és megfelelő színprofil beállítások alkalmazása.
Gamma korrekció
A helytelen gamma kezelés sötét vagy világos képeket eredményezhet a méretezés után.
Megoldás: Lineáris színtérben való méretezés, majd a megfelelő gamma görbe alkalmazása.
Bithélység kezelés
A 8-bit képek méretezése során könnyen jelentkezhetnek sávosodások, különösen gradiens területeken.
Megoldás: 16-bit vagy magasabb bithélységű formátumok használata a feldolgozás során.
Jövőbeli trendek és fejlesztések
A képméretezés technológiája folyamatosan fejlődik, és az elkövetkező években további jelentős változásokra számíthatunk. A mesterséges intelligencia térhódítása mellett új hardware megoldások és algoritmusok is megjelennek.
A kvantumszámítástechnika fejlődése új lehetőségeket nyithat meg a komplex képfeldolgozási algoritmusok számára. Emellett a 5G és a peremszámítástechnika (edge computing) új alkalmazási területeket teremt.
A valós idejű képfeldolgozás egyre fontosabbá válik, különösen a virtuális és kiterjesztett valóság alkalmazásokban.
AI és gépi tanulás fejlődése
Transformer alapú architektúrák
A természetes nyelvfeldolgozásban sikeres transformer modellek adaptálása képfeldolgozásra új lehetőségeket nyit meg a kontextus-tudatos méretezésben.
Diffúziós modellek
A diffúziós modellek, mint a Stable Diffusion, új megközelítést kínálnak a képgenerálásban és méretezésben, lehetővé téve a részletek "kitalálását" helyett azok intelligens újragenerálását.
Federated learning
Az elosztott gépi tanulás lehetővé teszi a modellek fejlesztését anélkül, hogy a felhasználói adatok elhagynák az eszközt, ami fontos a magánélet védelme szempontjából.
"A jövő képméretezési technológiái nem csak jobb minőséget fognak nyújtani, hanem intelligensebb, kontextus-tudatos feldolgozást is, amely megérti a kép tartalmát és célját."
Hardware fejlődés hatásai
Specializált AI chipek
A TPU-k (Tensor Processing Unit) és hasonló specializált processzorok jelentősen felgyorsítják az AI-alapú képfeldolgozást, lehetővé téve a valós idejű magas minőségű méretezést.
Neuromorphic computing
Az agy működését utánzó számítástechnikai megközelítések új lehetőségeket nyithatnak meg az energiahatékony képfeldolgozásban.
Kvantum-klasszikus hibrid rendszerek
A kvantumszámítástechnika és a klasszikus számítástechnika kombinációja új algoritmusokat tehet lehetővé.
Gyakran ismételt kérdések
Melyik a legjobb képméretezési algoritmus általános használatra?
Általános célokra a bicubic interpoláció nyújtja a legjobb egyensúlyt a minőség és sebesség között. Fotók esetén ezt érdemes választani, míg egyszerű grafikáknál a bilineáris is elegendő lehet.
Hogyan kerülhetem el a képminőség romlását nagyítás során?
A minőségromlás elkerülése érdekében használj AI-alapú méretezési eszközöket, mint a Real-ESRGAN vagy WAIFU2X. Ezek képesek "kitalálni" a hiányzó részleteket, így jobb eredményt adnak, mint a hagyományos interpolációs módszerek.
Miért lesz pixeles a képem bizonyos méretezési arányoknál?
A pixeles megjelenés általában a nearest neighbor algoritmus használatából vagy túl nagy méretezési arányból ered. Próbálj bicubic vagy Lanczos algoritmust használni, és kerüld a túl nagy (4x feletti) méretezési arányokat egy lépésben.
Hogyan optimalizálhatom a képeket weboldalra?
Weboldalra történő optimalizáláshoz használj reszponzív képeket több méretben, válaszd a megfelelő formátumot (WebP vagy AVIF), és alkalmazz automatikus méretezést a felhasználó eszköze alapján. A bilineáris interpoláció általában elegendő webes használatra.
Mi a különbség a DPI és PPI között?
A DPI (Dots Per Inch) a nyomtatási felbontást jelöli, míg a PPI (Pixels Per Inch) a képernyő felbontását. Digitális képeknél a PPI a releváns, nyomtatásnál pedig a DPI. Mindkettő a hüvelykenkénti pontok/pixelek számát jelöli.
Mennyi ideig tart egy kép AI-alapú méretezése?
Az AI-alapú méretezés időtartama függ a kép méretétől, a használt modelltől és a hardvertől. Egy átlagos fotó (2-4 MP) feldolgozása modern GPU-val 10-60 másodpercet vesz igénybe, míg CPU-val ez több percig is eltarthat.
