一. 最近邻插值法放大图像:
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,但是放大图像画质劣化明显,常常含有锯齿边缘。
最近邻插值法算法原理 ↑
二. 最近邻插值法算法流程:
插值法放大图像的第一步都是相同的,计算新图的坐标点像素值对应原图中哪个坐标点的像素值来填充,计算公式为:
srcX = dstX * (srcWidth/dstWidth)
srcY = dstY * (srcHeight/dstHeight)
其中,src表示旧图,dst表示新图。新图的坐标(dstX,dstY)对应于旧图的坐标(srcX,srcY)。 srcWidth/dstWidth 和 srcHeight/dstHeight 分别表示宽和高的放缩比。
那么问题来了,通过这个公式算出来的 srcX,scrY (旧图坐标)有可能是小数,但是坐标点是不存在小数的,都是整数,得想办法把它转换成整数才行。
不同插值法的区别就体现在 srcX,scrY 是小数时,怎么变成整数去取原图像中的像素值。
最近邻插值法:看名字就很直白,四舍五入选取最接近的整数。这样的做法会导致像素的变化不连续,在新图中会产生锯齿。
三. 实验 python实现最近邻插值算法
from PIL import Image
import matplotlib.pyplot as plt
import numpy as np
import math
# 最近邻插值算法
# dstH为新图的高;dstW为新图的宽
def NN_interpolation(img,dstH,dstW):
scrH,scrW,_=img.shape
retimg=np.zeros((dstH,dstW,3),dtype=np.uint8)
for i in range(dstH-1):
for j in range(dstW-1):
scrx=round(i*(scrH/dstH))
scry=round(j*(scrW/dstW))
retimg[i,j]=img[scrx,scry]
return retimg
im_path='../paojie.jpg'
image=np.array(Image.open(im_path))
image1=NN_interpolation(image,image.shape[0]*2,image.shape[1]*2)
image1=Image.fromarray(image1.astype('uint8')).convert('RGB')
image1.save('out.png')
四. 实验结果:
原图 ↑
最近邻插值后图像 ↑
可以看到新图中产生了锯齿状的边缘。
五. 参考内容: