目录
一、引言
在计算机中，对一张图片，我们能进行图像的放大与缩小，不过你有想过图片放大与缩小的计算机原理吗？
先请大家看一张长宽各为32像素（px）的照片：
我猜不少的读者这时都会吐槽：What！这是啥玩意儿啊，小编，你又不怀好心了？给我们看这种图片，我能看得清吗？
哈哈哈，小编当然是故意的啦。小编想提出的问题是，看不清这张图片，我们自然而然的会选择将它放大很多倍。比如说长宽各放大5倍，也就是160px，那么这些多出来的像素，我们该如何去填充？
比如说下面这张图，我们放大后，只能确定几个“角”的颜色的像素值，而其他空虚的像素，用什么颜色去“填充”就显得至关重要，这就要引出我们今天的主角------------插值，也叫做上采样。
二、插值
我们有很多种插值方法，下面小编将会分别介绍其原理及其实现代码。
1、最邻近插值
根据名字，读者应该就已经能猜出个大概了。所谓“最邻近”无非就是用最靠近该未知点的已知像素值填充这个点。其原理如下图：
原理：将空间上最近邻的已知像素值赋给未知像素
如果i≤0.5, j≤0.5，则 f(x+i, y+j) = f(x, y) ；
如果i>0.5, j≤0.5，则 f(x+i, y+j) = f(x+1, y) ；
如果i≤0.5, j>0.5，则 f(x+i, y+j) = f(x, y+1) ；
如果i>0.5, j>0.5，则 f(x+i, y+j) = f(x+1, y+1) ；
2、双线性插值
所谓双线性，“双”指的是两个方向，也就是水平方向和垂直方向。它克服了最邻近插值算法“格子化”严重的缺点，赋予了每个未知像素点一个权重去计算像素值。如下图：
原理：在x,y两个方向进行线性插值，由已知像素值加权合成未知像素值；
未知与已知像素距离越近，权重越大
x方向线性插值：
f(x+i,y) = (1-i)* f(x,y) + i* f(x+1,y) ；
f(x+i,y+1) = (1-i)* f(x,y+1) + i* f(x+1,y+1) ；
y方向线性插值： f(x+i,y+j) = (1-j)* f(x+i,y) + j* f(x+i,y+1) ；
3、open-cv的插值代码
尽管我相信各位读者有能力去写一段代码完成上述两种插值运算，但其实open-cv自带了插值算法，我们只需要调用这个函数即可，正所谓有便宜不占，不是王八蛋吗。毕竟谁愿意每次写那么一大串代码就只是为了插值运算？
dst=cv2.resize(src, dsize[,fx[, fy[, interpolation]]])
参数介绍：
dst：目标图像
src：原图像在open-cv2中的名字
dsize：输出图像所需大小，以坐标的形式表出，如（320,320）
fx：沿水平轴的比例因子，如果dsize不为None，则以dsize为主
fy：沿垂直轴的比例因子，同上
interpolation：插值方式，其值如下图所示
interpolation的可选值为：
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
我们拿lena的小图片练练手，以最邻近法进行插值，其代码段如下：
import cv2
import numpy as np
import random
img=cv2.imread("lena_LR.png",-1)
#dsize=(320,320)等价于dsize=None,fx=10,fy=10
img1=cv2.resize(img,dsize=(320,320),fx=10,fy=10,interpolation=cv2.INTER_NEAREST)
cv2.imshow('nearest_resize',img1)
cv2.imwrite('picture1.png',img1)
cv2.waitKey()
cv2.destroyAllWindows()得到的最邻近插值图像如下图：
三、下采样
1、理论
既然有上采样（插值），那么自然而然的，也会有下采样。上采样应用于图片放大，对应的下采样应用于图片缩小。比如说，下面这张梵高的自画像忒大了，以至于不适合这张屏幕了，我们自然而然的想要去缩小。
当我们将长与宽个自缩小为原来的一半时，我们很容易想到，对于微观的像素，我们只需要同时删除奇数行和奇数列，保留偶数行和偶数列；或者同时删除偶数行偶数列，保留奇数行和奇数列即可。说干就干，其缩小过程如下图：
但是，当你仔细端详缩小后的图片后，你会发现，怎么会这么难看？这就要提到一个概念了———走样。走样发生在当采样率不足以捕捉图像大量细节的时候，每次走样可能给你错误的图像或者信号。生活中最常见的走样是车子在往前跑，我们用眼睛去观察车轮的时候，我们总感觉这轮子是往后转的。是不是很有意思？也就是说，车跑的太快了，以至于我们的眼睛无法去及时的捕捉轮子的特征，采样率就自然而然的下降了，给了我们一个错误的信号。
“小细节”太多，会导致电脑不知道图片缩小后，拿哪一个点的像素值去填充。而在频域中，小细节对应的是高频区，这就意味着如果我们能将高频降低为低频，也就不会出现这种特别“难看”的模糊了。所以下采样不仅仅只是下采样，而是先进行高斯滤波模糊，再进行下采样。这样得到的结果如下图：
下面这张图可能看的更加直观一点，左边为未高斯滤波而导致最上边的部分走样了，看着极度不舒适，右图是高斯滤波后再进行采样的结果。
2、代码实现
dst=cv2.pyrDown(src,[,dstsize[,borderType]]])
参数介绍：
dst：目标图像
src：原图像在open-cv中的名字
dstsize：目标图像大小（默认长宽各减少一半）
borderType：边缘类型，这个可以看小编写的上一篇文章
实战一波，我们将输出一张指定图片的四分之一大小与十六分之一大小，代码如下：
import cv2
import numpy as np
img=cv2.imread("test1.jpg",-1)
#img1为缩小为1/4的图
img1=cv2.pyrDown(img)
#img2位缩小为1/16的图
img2=cv2.pyrDown(img1)
cv2.imshow('half',img1)
cv2.imshow("one_forth",img2)
cv2.imwrite('picture1.png',img1)
cv2.imwrite("picture2.png",img2)
cv2.waitKey()
cv2.destroyAllWindows()
输出的两张小图如下：
是不是很有意思，是不是小编今天不提到图像的放大与缩小，各位读者可能也不会想到我们平常随手放大与缩小的图片，竟然藏了这么多学问？与此同时，我们把今天所学到的这些知识合称为图像金字塔，如下图，通过今天的学习，我们要既能让图片从顶点到底点进行上采样，也能从底点到顶点实现下采样。
好了，本期的计算机视觉内容就到这里啦，如果对本篇文章比较满意的话，请一键三连，小编将带你学习更多的计算机领域知识。
5万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
