计算机视觉基础--图像处理理---任务01

OpenCV框架与图像插值算法
 

1.1 简介

  在图像处理中，平移变换、旋转变换以及放缩变换是一些基础且常用的操作。这些几何变换并不改变图象的象   素值，只是在图象平面上进行象素的重新排列。在一幅输入图象【u,v】中，灰度值仅在整数位置上有定义。然而，输出图象[x，y]的灰度值一般由处在非整数坐标上的 【u,v】值来决定。这就需要插值算法来进行处理，常见的插值算法有最近邻插值、双线性插值和三次样条插值。

1.2 学习⽬目标

1. 了解插值算法与常见几何变换之间的关系
2. 理解插值算法的原理
3. 掌握OpenCV框架下插值算法API的使用

1.3 内容介绍

1. 插值算法原理介绍

           a. 最近邻插值算法

           b. 双线性插值算法

    2. OpenCV代码实践

          a. cv.resize()各项参数及含义

         b.动手实现(由读者自已完成)

1.  

1.4 算法理理论介绍与推荐

1.4.1最近邻插值算法原理理

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。

                    

  如上图所示，目标图像中的某点投影到原图像中的位置为点P,此时易知，  .

⼀一个例例⼦子：

  如下图所示，将一幅3X3的图像放大到4X4，用 表示目标图像， 表示原图像，我们有如下公式：

缺点：

用该方法作放大处理时，在图象中可能出现明显的块状效应

1.4.2 双线性插值

  在讲双线性插值之前先看以一下线性插值，线性插值多项式为：

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：

令 f(x,y)为两个变量的函数，其在单位正方形顶点的值已知。假设我们希望通过插值得到正方形内任意点的函数值。则可由双线性方程:

  来定义的一个双曲抛物面与四个已知点拟合。

  首先对上端的两个顶点进行线性插值得：

类似地，再对底端的两个顶点进行线性插值有：

最后，做垂直方向的线性插值，以确定：

整理得：

1.4.3 映射⽅方法

向前映射法

  可以将几何运算想象成一次一个象素地转移到输出图象中。如果一个输入象素被映射到四个输出象素之间的位   置，则其灰度值就按插值算法在4个输出象素之间进行分配。称为向前映射法，或象素移交影射。

注：从原图象坐标计算出目标图象坐标镜像、平移变换使用这种计算方法

向后映射法

  向后映射法(或象素填充算法)是输出象素一次一个地映射回到输入象素中，以便确定其灰度级。如果一个输出象素被映射到4个输入象素之间，则其灰度值插值决定，向后空间变换是向前变换的逆。

注：从结果图象的坐标计算原图象的坐标

旋转、拉伸、放缩可以使用

解决了郬点的问题，出现了马赛克

1.5 基于OpenCV的实现

1.5.1 C++

函数原型：

void cv::resize(InputArray src, OutputArray dst, Size dsize, double fx=0, double fy=0, int interpolation=INTER_LINEAR )

src:输⼊入图像

dst:输出图像

dsize:输出图像尺⼨寸

fx、fy:x,y⽅方向上的缩放因⼦子

INTER_LINEAR：插值⽅方法，总共五种

  1. INTER_NEAREST - 最近邻插值法

  2. INTER_LINEAR - 双线性插值法（默认）

  3. INTER_AREA - 基于局部像素的重采样(resampling using pixel area relation)。对于图像抽取(image decimation)来说，这可能是⼀一个更更好的⽅方法。但如果是放⼤大图像时，它和最近邻法的效果类似。

  4. INTER_CUBIC - 基于4x4像素邻域的3次插值法

代码实践：

#include <opencv2/opencv.hpp>

#include <iostream> 3

using namespace cv;

using namespace std; 6

 int main(int argc, char* argv[]) 8 {

Mat img = imread("D:/image/yuner.jpg");

if (img.empty())

 {

cout << "⽆无法读取图像" << endl;

return 0;

  }



int height = img.rows;

int width = img.cols;

 // 缩⼩小图像，⽐比例例为(0.2, 0.2)

Size dsize = Size(round(0.2 * width), round(0.2 * height));

Mat shrink;

//使⽤用双线性插值

resize(img, shrink, dsize, 0, 0, INTER_LINEAR); 23

// 在缩⼩小图像的基础上，放⼤大图像，⽐比例例为(1.5, 1.5)

float fx = 1.5;

float fy = 1.5;

Mat enlarge1, enlarge2;

resize(shrink, enlarge1, Size(), fx, fy, INTER_NEAREST);

resize(shrink, enlarge2, Size(), fx, fy, INTER_LINEAR);
// 显示

imshow("src", img); imshow("shrink", shrink); 

imshow("INTER_NEAREST", enlarge1); 

imshow("INTER_LINEAR", enlarge2); 

waitKey(0);

return 0;

}

原图

 

0.2倍缩⼩小，双线性插值

1.5倍放⼤大，最近邻插值

1.5倍放⼤大，双线性插值

1.5.2 Python

函数原型：

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

参数：

插值⽅方式：

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。

import cv2
if __name__ == "__main__":
img = cv2.imread('D:/image/yuner.jpg', cv2.IMREAD_UNCHANGED)
print('Original Dimensions : ',img.shape)
scale_percent = 30 # percent of original size
width = int(img.shape[1] * scale_percent / 100)
height = int(img.shape[0] * scale_percent / 100)
dim = (width, height)
# resize image
resized = cv2.resize(img, dim, interpolation = cv2.INTER_LINEAR)
fx = 1.5
fy = 1.5
resized1 = cv2.resize(resized, dsize=None, fx=fx, fy=fy, interpolation = cv2.INTER_NEAREST)
resized2 = cv2.resize(resized, dsize=None, fx=fx, fy=fy, interpolation = cv2.INTER_LINEAR)
print('Resized Dimensions : ',resized.shape)
cv2.imshow("Resized image", resized)
cv2.imshow("INTER_NEAREST image", resized1)
cv2.imshow("INTER_LINEAR image", resized2)
cv2.waitKey(0)
cv2.destroyAllWindows()

0.3倍缩⼩小，双线性插值

1.5倍放⼤大，最近邻插值

1.5倍放⼤大，双线性插值

1.6 总结

  插值算法是很多几何变换的基础和前置条件，对插值算法细节的掌握有助千对其他算法的理解，为自已的学   习打下咯实的基础。

 

关于Datawhale：

Datawhale是一个专注千数据科学与AI领域的开源组织，汇集了众多领域院校和知名企业的优秀学习者，聚合了   一群有开源精神和探索精神的团队成员。Datawhale以“for the learner，和学习者一起成长”为愿景，鼓励真实地展现自我、开放包容、互信互助、敢千试错和勇千担当。同时Datawhale     用开源的理念去探索开源内容、开源学习和开源方案，赋能人才培养，助力人才成长，建立起人与人，人与知识，人与企业和人与未来的.

 

欢迎大家专注公众号：AI迷途小书童

方便阅读