1 算法理论介绍与推荐

1.1  最近邻插值算法原理

最近邻插值，是指将目标图像中的点，对应到源图像中后，找到最相邻的整数点，作为插值后的输出。

image

如上图所示，目标图像中的某点投影到原图像中的位置为点P,此时易知， .

一个例子：

  如下图所示，将一幅3X3的图像放大到4X4，用 表示目标图像， 表示原图像，我们有如下公式：

image

缺点：

用该方法作放大处理时，在图象中可能出现明显的块状效应

[图片上传失败...(image-3eee7e-1587461219520)]

1.2 双线性插值

 在讲双线性插值之前先看以一下线性插值，线性插值多项式为：

image

  双线性插值就是线性插值在二维时的推广,在两个方向上做三次线性插值，具体操作如下图所示：

image

  令 为两个变量的函数，其在单位正方形顶点的值已知。假设我们希望通过插值得到正方形内任意点的函数值。则可由双线性方程:

  来定义的一个双曲抛物面与四个已知点拟合。

  首先对上端的两个顶点进行线性插值得：

  类似地，再对底端的两个顶点进行线性插值有：

  最后，做垂直方向的线性插值，以确定：

  整理得：

1.3 映射方法

向前映射法

可以将几何运算想象成一次一个象素地转移到输出图象中。如果一个输入象素被映射到四个输出象素之间的位置，则其灰度值就按插值算法在4个输出象素之间进行分配。称为向前映射法，或象素移交影射。

注：从原图象坐标计算出目标图象坐标镜像、平移变换使用这种计算方法

向后映射法

向后映射法（或象素填充算法）是输出象素一次一个地映射回到输入象素中，以便确定其灰度级。如果一个输出象素被映射到4个输入象素之间，则其灰度值插值决定，向后空间变换是向前变换的逆。

注：从结果图象的坐标计算原图象的坐标

• 旋转、拉伸、放缩可以使用
• 解决了漏点的问题，出现了马赛克

2 OpenCV框架

Python

函数原型：

cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]])

参数：

插值方式：

通常，缩小使用cv.INTER_AREA，放缩使用cv.INTER_CUBIC(较慢)和cv.INTER_LINEAR(较快效果也不错)。默认情况下，所有的放缩都使用cv.INTER_LINEAR。

代码实践：

import cv2
if __name__ == "__main__":
    img = cv2.imread('D:/image/yuner.jpg', cv2.IMREAD_UNCHANGED)
    print('Original Dimensions : ',img.shape)
    scale_percent = 30       # percent of original size
    width = int(img.shape[1] * scale_percent / 100)
    height = int(img.shape[0] * scale_percent / 100)
    dim = (width, height)
    # resize image
    resized = cv2.resize(img, dim, interpolation = cv2.INTER_LINEAR)
    fx = 1.5
    fy = 1.5
    resized1 = cv2.resize(resized, dsize=None, fx=fx, fy=fy, interpolation = cv2.INTER_NEAREST)
    resized2 = cv2.resize(resized, dsize=None, fx=fx, fy=fy, interpolation = cv2.INTER_LINEAR)
    print('Resized Dimensions : ',resized.shape)
    cv2.imshow("Resized image", resized)
    cv2.imshow("INTER_NEAREST image", resized1)
    cv2.imshow("INTER_LINEAR image", resized2)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

0.3倍缩小，双线性插值

image

1.5倍放大，最近邻插值

image

1.5倍放大，双线性插值

image

3 参考链接

-OpenCV框架与图像插值算法