本文共 1265 字，大约阅读时间需要 4 分钟。

计算机视觉基础：图像处理（上）

task1 图像插值算法-图像缩放

最近邻插值算法

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。

举个简单例子：

3 × 3的一张灰度图 （像素取值代表亮度，范围是0-255，越高越亮，即255白色，0黑色）

假定像素矩阵如下：

0 22 55

33 99 65

156 240 3

将这张图片放大到4×4个像素：

？ ？ ？ ？

？ ？ ？ ？

？ ？ ？ ？

？ ？ ？ ？

相应位置上的像素根据给出的公式计算：

srcX=dstX* (srcWidth/dstWidth) , srcY = dstY * (srcHeight/dstHeight)

目标图像（0，0）处灰度取值（0×3/4，0×3/4）=（0，0）即取源图像（0，0)处灰度

dst（0，1）=src（0，0.75）

计算机图像中像素已经是最小单位了，没有小数点，离哪近取哪。 放大效果： 相比原图有一种模糊感，有马赛克的感觉。 缩小效果： 有失真的感觉，不清晰，总之不好使。

双线性插值算法

先看看效果

放大图： 相比最邻近插值算法的放大图，没有了块状的感觉。 缩小图： 总觉得有一种雾蒙蒙的感觉。

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：

首先在x方向上进行两次线性插值：

化简后： 然后在y方向上进行一次线性插值： 化简并带入：

计算目标图像坐标对应源图像坐标时应这样计算：

SrcX=(dstX+0.5)* (srcWidth/dstWidth) -0.5

SrcY=(dstY+0.5) * (srcHeight/dstHeight)-0.5

计算过程：

f(i+u,j+v) = (1-u)(1-v)f(i,j) + (1-u)vf(i,j+1) + u(1-v)f(i+1,j) + uvf(i+1,j+1) 。

记录下函数原型

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

参数：

| 参数 | 描述 | |–|--| | src | 【必需】原图像 | | dsize | 【必需】输出图像所需大小 | | fx | 【可选】沿水平轴的比例因子 | | fy | 【可选】沿垂直轴的比例因子 | | interpolation | 【可选】插值方式 |

插值方式： | | | |–|--| | cv.INTER_NEAREST | 最近邻插值 | | cv.INTER_LINEAR | 双线性插值 | | cv.INTER_CUBIC | 基于4x4像素邻域的3次插值法 | | cv.INTER_AREA | 基于局部像素的重采样 |

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**

转载地址：https://blog.csdn.net/YYYYYJY/article/details/105663194 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！