顾名思义,最近邻插值法在放大图像时补充的像素是最近邻的像素的值。由于方法简单,所以处理速度很快,但是得到的图像常常含有锯齿边缘。如下图所示:
import cv2 import numpy as np def function(img): height,width,channels =img.shape emptyImage=np.zeros((800,800,channels),np.uint8) sh=800/height sw=800/width for i in range(800): for j in range(800): x=int(i/sh) y=int(j/sw) emptyImage[i,j]=img[x,y] return emptyImage img=cv2.imread("path/lenna.png") zoom=function(img) print(img.shape) print(zoom.shape) cv2.imshow("image",img). #(512,512,3) cv2.imshow("nearest interp",zoom) #(800,800,3) cv2.waitKey(0)双线性插值
先说说简单的单线性插值函数
根据P1和P2两个点可以确定直线方程为:
整理后:
也就能得出P点的y值。
双线性插值也就是要在两个方向进行插值。
假设我们已知函数 f 在 Q11 = (x1, y1)、Q12 = (x1, y2), Q21 = (x2, y1) 以及 Q22 = (x2, y2) 四个点的值,想得到未知函数 f 在点 P = (x, y) 的值,首先在 x 方向进行线性插值,得到:
然后在y方向进行线性插值,得到:
整合后的公式如下:
在实际代码中,还会将源图像和目标图像进行中心对齐,如下图,假设你需要将一幅5x5的图像缩小成3x3,那么源图像和目标图像各个像素之间的对应关系如下。如果没有这个中心对齐,就会得到左边的结果,图像的像素信息会丢失;而用了对齐,就会得到右边的结果:
import numpy as np import cv2 def bilinear_interpolation(img,out_dim): src_h, src_w, channel = img.shape dst_h, dst_w = out_dim[1], out_dim[0] print ("src_h, src_w = ", src_h, src_w) print ("dst_h, dst_w = ", dst_h, dst_w) if src_h == dst_h and src_w == dst_w: return img.copy() dst_img = np.zeros((dst_h,dst_w,3),dtype=np.uint8) scale_x, scale_y = float(src_w) / dst_w, float(src_h) / dst_h for i in range(3): for dst_y in range(dst_h): for dst_x in range(dst_w): #中心对齐 src_x = (dst_x + 0.5) * scale_x - 0.5 src_y = (dst_y + 0.5) * scale_y - 0.5 #找到插值用的坐标点 src_x0 = int(np.floor(src_x)) src_x1 = min(src_x0 + 1 ,src_w - 1) src_y0 = int(np.floor(src_y)) src_y1 = min(src_y0 + 1, src_h - 1) #代入计算 temp0 = (src_x1 - src_x) * img[src_y0,src_x0,i] + (src_x - src_x0) * img[src_y0,src_x1,i] temp1 = (src_x1 - src_x) * img[src_y1,src_x0,i] + (src_x - src_x0) * img[src_y1,src_x1,i] dst_img[dst_y,dst_x,i] = int((src_y1 - src_y) * temp0 + (src_y - src_y0) * temp1) return dst_img if __name__ == '__main__': img = cv2.imread('path/lenna.png') dst = bilinear_interpolation(img,(700,700)) cv2.imshow('bilinear interp',dst) cv2.waitKey()
这种方式得到的图像就不会出现锯齿现象。
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)