使用OpenCV调整图像大小。要调整图像的大小，可以根据每个轴（高度和宽度）进行缩放，考虑指定的缩放因素，或者只需设置所需的高度和宽度。
调整图像大小时：
如果想在调整后的图像中保持相同的宽高比，请务必记住图像的原始宽高比（即宽度和高度）。
缩小图像的大小需要重新采样像素。
增加图像的大小需要重建图像。这意味着需要插值新像素。
各种插值技术发挥作用来完成这些操作。OpenCV中有几种方法可供选择，选择通常取决于特定的应用程序。
通过调整自定义高度和宽度的大小来使图像越来越小。随着您的进一步发展，我们将讨论使用不同的比例因子和插值方法调整大小。
1.图像尺寸信息
Python
# let's start with the Imports import cv2 import numpy as np # Read the image using imread function image = cv2.imread('image.jpg') cv2.imshow('Original Image', image) # let's downscale the image using new width and height down_width = 300 down_height = 200 down_points = (down_width, down_height) resized_down = cv2.resize(image, down_points, interpolation= cv2.INTER_LINEAR) # let's upscale the image using new width and height up_width = 600 up_height = 400 up_points = (up_width, up_height) resized_up = cv2.resize(image, up_points, interpolation= cv2.INTER_LINEAR) # Display images cv2.imshow('Resized Down by defining height and width', resized_down) cv2.waitKey() cv2.imshow('Resized Up image by defining height and width', resized_up) cv2.waitKey() #press any key to close the windows cv2.destroyAllWindows()
C++
// let's start with including libraries #include<opencv2/opencv.hpp> #include<iostream> // Namespace to nullify use of cv::function(); syntax using namespace std; using namespace cv; int main() { // Read the image using imread function Mat image = imread("image.jpg"); imshow("Original Image", image); // let's downscale the image using new width and height int down_width = 300; int down_height = 200; Mat resized_down; //resize down resize(image, resized_down, Size(down_width, down_height), INTER_LINEAR); // let's upscale the image using new width and height int up_width = 600; int up_height = 400; Mat resized_up; //resize up resize(image, resized_up, Size(up_width, up_height), INTER_LINEAR); // Display Images and press any key to continue imshow("Resized Down by defining height and width", resized_down); waitKey(); imshow("Resized Up image by defining height and width", resized_up); waitKey(); destroyAllWindows(); return 0; }
在开始调整图像的大小之前，先了解其原始尺寸。要获取图像的大小：
- 在Python中使用shape方法
- C++中的rows和cols参数
Python中的image.shape返回三个值：高度、宽度和通道数。
在C++中：
image.rows：图像的高度
image.columns：图像的宽度
也可以使用size()函数获得上述结果。
image.size().width 返回宽度
image.size().height 返回高度
Python
# Get original height and width h,w,c = image.shape print("Original Height and Width:", h,"x", w)
C++
// Get height and width cout << "Original Height and Width :" << image.rows << "x" << image.cols << endl;
这里需要注意的一件重要事情是，OpenCV以h e i g h t ∗ w i d t h ∗ c h a n n e l s height*width*channelsheight∗width∗channels格式输出图像的形状，而其他一些图像处理库则以宽度、高度的形式输出。对此有合乎逻辑的看法。
当使用OpenCV读取图像时，它们表示为NumPy数组。一般来说，总是用r o w s ∗ c o l u m n s rows*columnsrows∗columns（表示其高度的行和表示其宽度的列）来引用数组的形状。因此，即使使用OpenCV读取图像以获得其形状，相同的NumPy数组规则也会发挥作用。你得到形状的形状是h e i g h t ∗ w i d t h ∗ c h a n n e l s height*width*channelsheight∗width∗channels。
OpenCV resize()函数语法
OpenCV resize()函数语法需要两个输入参数：
源图像。
调整大小图像的所需大小，d大小。
我们将在以下各节中讨论各种输入参数选项。
resize(src, dsize[, dst[, fx[, fy[, interpolation]]]])
src：这是必需的输入图像，它可以是具有输入图像路径的字符串（例如：“test_image.png”）。
dsize：它是输出图像的理想尺寸，它可以是新的高度和宽度。
fx：沿水平轴的缩放因子。
fy：沿垂直轴的缩放因子。
interpolation：它为我们提供了调整图像大小的不同方法的选择。
2.使用自定义宽度和高度调整图像大小
在第一个示例中，让我们通过指定一个新的宽度和高度来调整图像的大小，这将缩小图像的缩放。在以下代码中：
我们将所需的宽度设置为300，所需的高度设置为200。
这两个值组合成一个二维向量，这是resize()函数所要求的。
我们还指定了插值方法，恰好是默认值。
Python
# Set rows and columns # lets downsize the image using new width and height down_width = 300 down_height = 200 down_points = (down_width, down_height) resized_down = cv2.resize(image, down_points, interpolation= cv2.INTER_LINEAR)
C++
// Set rows and columns // lets downsize the image using new width and height int down_width = 300; int down_height = 200; Mat resize_down; // resize down resize(image, resize_down, Size(down_width, down_height), INTER_LINEAR);
接下来，我们创建另一个变量来增加图像的大小。
Python
# Set rows and columns up_width = 600 up_height = 400 up_points = (up_width, up_height) # resize the image resized_up = cv2.resize(image, up_points, interpolation = cv2.INTER_LINEAR)
C++
// Set rows and columns int up_width = 600; int up_height = 400; Mat resized_up; //resize up resize(image, resized_up, Size(up_width, up_height), INTER_LINEAR);
在上面的Python代码中，我们正在使用resize()函数定义新的宽度和高度来升级图像。过程和步骤与之前的片段相似。
在C++代码中：
我们定义了用于升级的宽度和高度的新整数。
给出输出图像的矩阵。
然后使用resize()函数，与之前的代码相同。
现在，让我们使用OpenCV的imshow()函数显示所有图像。
Python
# Display images cv2.imshow('Resized Down by defining height and width', resized_down) cv2.waitKey() cv2.imshow('Resized Up image by defining height and width', resized_up) cv2.waitKey() cv2.destroyAllWindows()
C++
// Display Images and press any key to continue imshow("Resized Down by defining height and width", resized_down); waitKey(); imshow("Resized Up image by defining height and width", resized_up); waitKey(); destroyAllWindows();
3.使用缩放因子调整图像的大小
现在我们用缩放因子调整图像的大小。但在更进一步之前，你需要了解什么是缩放因素。
缩放因子通常是尺度缩放或乘以某些数量的数字，在图像中尺寸是图像的宽度和高度。缩放因子有助于保持宽高比完好无损，并保持显示质量。因此，在您升级或缩小缩放图像时，图像不会显得失真。
Python
# Scaling Up the image 1.2 times by specifying both scaling factors scale_up_x = 1.2 scale_up_y = 1.2 # Scaling Down the image 0.6 times specifying a single scale factor. scale_down = 0.6 scaled_f_down = cv2.resize(image, None, fx= scale_down, fy= scale_down, interpolation= cv2.INTER_LINEAR) scaled_f_up = cv2.resize(image, None, fx= scale_up_x, fy= scale_up_y, interpolation= cv2.INTER_LINEAR)
C++
// Scaling Up the image 1.2 times by specifying both scaling factors double scale_up_x = 1.2; double scale_up_y = 1.2; // Scaling Down the image 0.6 times specifying a single scale factor. double scale_down = 0.6; Mat scaled_f_up, scaled_f_down; //resize resize(image,scaled_f_down, Size(), scale_down, scale_down, INTER_LINEAR); resize(image, scaled_f_up, Size(), scale_up_x, scale_up_y, INTER_LINEAR);
在上面的Python代码中：
我们沿着水平和垂直轴定义了新的缩放因素。
定义缩放因子，就不需要对增加新的图像宽度和高度。因此，值为None。
在上面的C++代码中：
我们定义了新的缩放因子以及新图像的矩阵。
由于我们不需要新的宽度和高度点，我们保持Size()为空，并使用resize()函数
现在，让我们展示图像，以便可视化和更好地理解。
Python
# Display images and press any key to check next image cv2.imshow('Resized Down by defining scaling factor', scaled_f_down) cv2.waitKey() cv2.imshow('Resized Up image by defining scaling factor', scaled_f_up) cv2.waitKey()
C++
// Display images and Press any key to continue check next image imshow("Resized Down by defining scaling factor", scaled_f_down); waitKey(); imshow("Resized Up by defining scaling factor", scaled_f_up); waitKey();
4.使用不同的插值方法调整大小
不同的插值方法用于调整不同的尺寸大小。
INTER_AREA：INTER_AREA使用像素区域关系进行重新采样。这最适合缩小图像的大小（缩小）。当用于放大图像时，它使用INTER_NEAREST方法。
INTER_CUBIC：这使用双立方插值来调整图像的大小。在调整新像素的大小和插值时，此方法作用于图像的4×4相邻像素。然后，需要16像素的平均权重来创建新的插值像素
INTER_LINEAR：此方法与INTER_CUBIC插值有点相似。但与INTER_CUBIC不同，这使用2×2相邻像素来获得插值像素的加权平均值。
INTER_NEAREST：INTER_NEAREST方法使用最近的邻居概念进行插值。这是最简单的方法之一，仅使用图像中的一个相邻像素进行插值。
如果您不完全理解插值方法，请不要担心。我们将在一个单独的例子中解释它们。
Python
# Scaling Down the image 0.6 times using different Interpolation Method res_inter_nearest = cv2.resize(image, None, fx= scale_down, fy= scale_down, interpolation= cv2.INTER_NEAREST) res_inter_linear = cv2.resize(image, None, fx= scale_down, fy= scale_down, interpolation= cv2.INTER_LINEAR) res_inter_area = cv2.resize(image, None, fx= scale_down, fy= scale_down, interpolation= cv2.INTER_AREA)
C++
# Scaling Down the image 0.6 using different Interpolation Method Mat res_inter_linear, res_inter_nearest, res_inter_area; resize(image, res_inter_linear, Size(), scale_down, scale_down, INTER_LINEAR); resize(image, res_inter_nearest, Size(), scale_down, scale_down, INTER_NEAREST); resize(image, res_inter_area, Size(), scale_down, scale_down, INTER_AREA);
在上面的Python片段中，我们正在使用不同的插值方法调整图像的大小。同样，在C++片段中，我们首先为输出图像定义新矩阵，然后使用不同的插值方法调整它们的大小。现在让我们显示图像。
Python
# Concatenate images in horizontal axis for comparison vertical= np.concatenate((res_inter_nearest, res_inter_linear, res_inter_area), axis = 0) # Display the image Press any key to continue cv2.imshow('Inter Nearest :: Inter Linear :: Inter Area', vertical)
C++
Mat a,b,c; vconcat(res_inter_linear, res_inter_nearest, a); vconcat(res_inter_area, res_inter_area, b); vconcat(a, b, c); // Display the image Press any key to continue imshow("Inter Linear :: Inter Nearest :: Inter Area :: Inter Area", c);
