数字图像处理学习（1）——图像插值Python代码实现

最近在学习数字图像处理，打算长期记录下来。

1. 图像插值 （Image Interpolation）

当我们需要放大或者缩小一张数字图像的时候，我们所进行的操作称之为Image Interpolation。

例如：把一张 275*185 的图像转化为原图的一半大小，如下：

                                                                           

实际上就是根据原来的图片中，所有像素点，按照某种关系在新的图片当中进行 pixel填充的一种操作，这种操作最常见的有几种方法：

• 最近邻插值法（Nearest Neighbor Interpolation）
• 双线性插值法（bilinear interpolation）
• 双三次插值法（bicubic interpolation）

在介绍方法之前，我先总结下个人对图像插值整体思路描述，可以分为4步曲：

1. 读取图片
2. 选定插值算法
3. pixel 填充
4. 新图片保存

2. 最近邻插值法

2.1 最近邻插值法

这是最简单、易懂的一种方法。

设原图片的大小为$(height,width)$, 图片中某一个像素点的位置为 $(srcx,srcy)$

目标图片的大小为$(desheight,deswidth)$. 目标图片中某一个像素点的位置为 $(desx,desy)$。

根据等比例关系，易得如下关系：

$srcx=desx\cdot (width/deswidth)$
$srcy=desy\cdot (height/desheight)$

其中会遇到小数的值，那么则一般可以设置四舍五入的方式取整，选择位置。

2.2 最近邻插值法（Python 代码实现——图像缩小）

#!/usr/bin/env python
# encoding: utf-8
"""
@author: H
@software: Pycharm
@file: ImageInterpolation.py
@time: 2020/10/16 8:28
"""


import os
import numpy as np
from PIL import Image

file_path = r'D:\postgraduate\first_year\数字图像处理\作业\homework1\practice1\image\jerry.jpg'
img = Image.open(file_path)  # 读取图片，格式为Image

# 把Image格式的图片转化为numpy格式进性图像处理
img = np.array(img, dtype=np.uint8)

height, width, mode = img.shape[0], img.shape[1], img.shape[2]  # 取出高、宽、通道数
print(height, width, mode)  # (275 183 3)

# 缩放的目标大小，这里以缩放为原图的1/2为例
desWidth = int(width * 0.5)
desHeight = int(height * 0.5)
desImage = np.zeros((desHeight, desWidth, mode), np.uint8)  # 定义一个目标图片代表的array，纯黑图片

# 像素填充
# 方法1：最近邻插值法
for des_x in range(0, desHeight):
    for des_y in range(0, desWidth):
        # 判断新像素点在原图中的像素点坐标
        src_x = int(des_x * (height/desHeight))
        src_y = int(des_y * (width/desWidth))

        desImage[des_x, des_y] = img[src_x, src_y]  # 填充
print(desImage.shape)
des_img = Image.fromarray(desImage)
des_img.save('./image/jerry.jpg')  # 图片另存为

2.3 运行结果示例

                                                                           
       缩放前                                                                                                 缩放后

---

3. 双线性插值法

3.1 双线性插值法

在介绍双线性插值之前，我们需要知道单线性插值的概念。

已知要求点$(x,y)$某一条直线上（某一维度）,其他两个点坐标为：$(x_0,y_0)$, $(x_1,y_1)$

其中 $y$ 是关于 $x$ 的某种函数，根据 $x$ 计算出 $x$ 对应的像素值 $y$

可以得出：

这个结果就好比，一条直线上的两个磁铁，对中间的铁块的力的作用的矢量叠加（不考虑方向）。

• 式子第一项： 点$(x,f(x))$ 离$(x_1,f(x_1))$的距离为 $(x_1-x)$；当无限靠近$(x_1,f(x_1))$时，$f(x)$ 就无限接近$f(x_1)$，最终等于$f(x_1)$。
• 式子第二项： 点$(x,f(x))$ 离$(x_0,f(x_0))$的距离为 $(x-x_0)$；当无限靠近$(x_0,f(x_0))$时，$f(x)$ 就无限接近$f(x_0)$，最终等于$f(x_0)$。

总结为：

$f(x)=\frac{x_1-x}{x_1-x_0}\cdot f(x_0)+\frac{x-x_0}{x_1-x_0}\cdot f(x_1)$

---

双线性插值法实际上就是进行了两个维度的单线性插值。可分为：

• 两次水平方向的单线性插值（$x$ 轴）
• 根据 $x$ 的结果进行一次垂直方向的单线性插值（$y$ 轴）

当然 $x$ 和 $y$ 可以互换。

这是找的一张比较经典的图：

结合单线性插值的结论,可以进行如下运算：
① 两次 $x$ 轴的线性插值

$f(R_1)=\frac{x_2-x}{x_2-x_1}\cdot f(Q_{11})+\frac{x-x_1}{x_2-x_1}\cdot f(Q_{21})$

$f(R_2)=\frac{x_2-x}{x_2-x_1}\cdot f(Q_{12})+\frac{x-x_1}{x_2-x_1}\cdot f(Q_{22})$

② 进行一次 $y$ 轴的线性插值

$f(P)=\frac{y_2-y}{y_2-y_1}\cdot f(R_1)+\frac{y-y_1}{y_2-y_1}\cdot f(R_2)$

联合① ②两式（害，偷个懒直接上才草稿），可得：

3.2 双线性插值法（Python代码实现——图片放大）

#!/usr/bin/env python
# encoding: utf-8
"""
@author: H
@software: Pycharm
@file: ImageInterpolation1.py
@time: 2020/10/17 20:31
"""

import os
import numpy as np
from PIL import Image

"""
    图像缩放常见三种方法的实现：
        - 最近邻插值法
        - 双线性插值法
        - 双立方插值法
"""


def Interpolation_NNI(filepath):
    """
        最近邻插值法(nearest neighbor interpolation)
    :param filepath:
    :return:
    """
    img = Image.open(file_path)  # 读取图片，格式为Image
    # img.show()  # 显示图片

    # 把Image格式的图片转化为numpy格式进性图像处理
    img = np.array(img, dtype=np.uint8)

    height, width, mode = img.shape[0], img.shape[1], img.shape[2]  # 取出高、宽、通道数
    print(height, width, mode)  # (275 183 3)

    # 缩放的目标大小，这里以缩放为原图的1/2为例
    desWidth = int(width * 0.5)
    desHeight = int(height * 0.5)
    desImage = np.zeros((desHeight, desWidth, mode), np.uint8)  # 定义一个目标图片代表的array，纯黑图片

    # 像素填充
    # 方法1：最近邻插值法
    for des_x in range(0, desHeight):
        for des_y in range(0, desWidth):
            # 判断新像素点在原图中的像素点坐标
            src_x = int(des_x * (height / desHeight))
            src_y = int(des_y * (width / desWidth))
            desImage[des_x, des_y] = img[src_x, src_y]  # 填充
    print(desImage.shape)
    des_img = Image.fromarray(desImage)
    des_img.save('./image/jerry.jpg')


def Interpolation_Bilinear(filepath, desHeight, desWidth):
    # 双线性插值法
    img = Image.open(filepath)  # 读取图片
    img = np.array(img, np.uint8)  # 转化为numpy数组
    desImageNumpy = np.zeros(img.shape, np.uint8)  # 生成一个大小相同的全0的numpy数组
    height, width, mode = img.shape[0], img.shape[1], img.shape[2]  # 高、宽、channel数

    # 找出目标位置在源图中的位置
    scale_x = float(width)/desWidth  # x轴缩放比例
    scale_y = float(height)/desHeight  # y轴缩放比例
    des_image = np.zeros((desHeight, desWidth, mode), np.uint8)
    for n in range(mode):
        for des_y in range(desHeight):
            for des_x in range(desWidth):
                # 确定四个近邻点坐标
                src_x = (des_x + 0.5) * scale_x - 0.5  #
                src_y = (des_y + 0.5) * scale_y - 0.5

                src_x_1 = int(np.floor(src_x))  #
                src_y_1 = int(np.floor(src_y))
                src_x_2 = min(src_x_1+1, width-1)  # 防止坐标点寻找溢出
                src_y_2 = min(src_y_1+1, height-1)
                # 两次x轴线性插值
                value_1 = (src_x_2 - src_x)*img[src_y_1, src_x_1, n]+(src_x - src_x_1)*img[src_y_1, src_x_2, n]
                value_2 = (src_x_2 - src_x)*img[src_y_2, src_x_1, n]+(src_x - src_x_1)*img[src_y_2, src_x_2, n]
                # y轴线性插值
                des_image[des_y, des_x, n] = (src_y_2 - src_y)*value_1 + (src_y - src_y_1)*value_2
    print(des_image.shape)
    des_img = Image.fromarray(des_image)
    des_img.save('./image/new_bilinear.jpg')


if __name__ == '__main__':
    file_path = r'D:\postgraduate\first_year\数字图像处理\作业\homework1\practice1\image\kobe1.jpg'
    Interpolation_Bilinear(file_path, int(183*2), int(275*2))  # 双线性插值法

---

3.3 结果展示

                                    

---

像这张放大的图片的男人一样，加油加油！