何为插值法?
运用已知点,计算邻近的未知点的方法即为插值法
在图像处理中,我们在调整图像大小以及形状时,往往需要用到插值法来对新像素点的值进行预测处理。
一、最近邻插值
定义:选取自身最近的点进行预测计算。
oldPointX = newPointX * ( oldWidth / newWidth )
oldPointY = newPointY * ( oldHeight / newHeight )
例如:我们求上图 (3,2) 坐标的原坐标点 ? 为多少,我们便可代入公式
oldPointX = 3 * (2 / 4) = 1.5
oldPointY = 2 * (2 / 4) = 1
oldPointX向上取整即为 2
def NearestNeighbourInterpolation(newImg, img, newSize):
oldSize = img.shape
for i in range(0, newSize[0]):
for j in range(0, newSize[1]):
oldX = i * (oldSize[0] / newSize[0])
oldY = j * (oldSize[1] / newSize[1])
oldX = int(round(oldX))
oldY = int(round(oldY))
newImg[i][j] = img[oldX - 1][oldY - 1]
return newImg
x2.0倍
二、双线性插值法
何为线性插值法?
在直线上存在A(x1,y1) , B(x2,y2) 求出未知点(x,y) 我们便可以通过 A,B两点构造线性函数,得出未知点。
双线性插值即在二维平面上,通过两次线性插值变换,得到未知点
由 Q12与Q22得出R2 ,Q11与Q21得出R1,再由R1,R2推出P点
公式简单一推即可得出:
步骤:
① 通过最近邻算法求出中心点,若含有小数则 x = i+u,y = j+v ,由于剩下四个点皆为最邻近的点差值为1
② 判断中心点是否在边界,根据情况对中心点进行 +1 或者 -1
③ 代入公式,计算答案
def BilinearInterpolation(newImg, img, newSize):
oldSize = img.shape
for i in range(0, newSize[0]):
for j in range(0, newSize[1]):
oldX = i * (oldSize[0] / newSize[0])
oldY = j * (oldSize[1] / newSize[1])
figX = math.floor(oldX)
figY = math.floor(oldY)
u = oldX - figX
v = oldY - figY
dec = 1
if oldY >= oldSize[1] - 1 or oldX >= oldSize[0] - 1:
dec = -1
value = img[figX][figY] * (dec - u) * (dec - v) + img[figX + dec][figY] * v * (dec - u) + img[
figX][figY + dec] * u * (dec - v) + img[figX + dec][figY + dec] * u * v
newImg[i][j] = value
return newImg
原图
x0.5倍 (双线性插值)
x0.5倍 (最近邻插值)
Tips:经过一轮测试后,我竟然感觉最近邻插值法的锯齿状比双线性插值法的要好,可能根据不同的图片情况,不同算法带来的收益不同,之后经过多组测试后再来补充