python实现图像缩放算法

于 2024-07-20 09:51:47 发布
阅读量247 收藏 2
点赞数 5
分类专栏： 图像处理 文章标签： python 算法 计算机视觉 图像处理 插值 图像缩放
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42568323/article/details/140565991
版权

图像缩放算法

1.最近邻插值图像缩放算法详解

最近邻插值（Nearest Neighbor Interpolation）是一种简单且直观的图像缩放算法。它通过选择离目标像素最近的原始像素的颜色值来确定目标像素的颜色值。尽管这种方法计算速度快，但由于未考虑周围像素的颜色信息，图像在放大时可能会出现明显的锯齿效应。

算法步骤
  1. 计算缩放比例：确定新图像和原始图像的宽高比例。
  2. 遍历新图像像素：逐个计算新图像中每个像素的位置。
  3. 确定最近邻像素：对于新图像中的每个像素，找到对应的原始图像中的最近邻像素。
  4. 赋值：将原始图像中最近邻像素的颜色值赋给新图像中的像素。
Python 实现

以下是最近邻插值图像缩放算法的Python实现代码：

import numpy as np
from PIL import Image

def nearest_neighbor_interpolation(image, new_width, new_height):
    original_width, original_height = image.size  # 获取原始图像的宽度和高度
    new_image = Image.new("RGB", (new_width, new_height))  # 创建一个新的图像对象
    pixel_map = new_image.load()  # 获取新图像的像素映射

    # 遍历新图像的每个像素
    for i in range(new_width):
        for j in range(new_height):
            # 计算在原始图像中对应的像素位置
            x = int(i * original_width / new_width)
            y = int(j * original_height / new_height)
            
            # 获取原始图像中对应像素的颜色值，并赋值给新图像的当前像素
            pixel_map[i, j] = image.getpixel((x, y))

    return new_image

# 示例用法
if __name__ == "__main__":
    image = Image.open('example.jpg')  # 打开原始图像
    new_width, new_height = 800, 600  # 定义新图像的宽度和高度
    new_image = nearest_neighbor_interpolation(image, new_width, new_height)  # 调用最近邻插值函数
    new_image.show()  # 显示新图像
    new_image.save('resized_example.jpg')  # 保存新图像
详细解释

  1. 读取图像和创建新图像：

    image = Image.open('example.jpg')
new_image = Image.new("RGB", (new_width, new_height))

  2. 遍历新图像的每个像素：

    for i in range(new_width):
    for j in range(new_height):

  3. 计算对应的原始图像像素位置：

    x = int(i * original_width / new_width)
y = int(j * original_height / new_height)

  4. 获取原始图像像素的颜色并赋值给新图像：

    pixel_map[i, j] = image.getpixel((x, y))

优缺点

优点：

  • 简单快速：算法简单，计算速度快，适合实时处理。
  • 实现容易：代码简单易懂，适合入门学习图像处理。

缺点：

  • 锯齿效应：在图像放大时容易出现锯齿效应，图像质量不高。
  • 细节丢失：在图像缩小时可能会丢失一些细节。

尽管最近邻插值在某些应用场景中足够使用，但在需要更高质量图像的场景中，通常会选择更加复杂的插值方法，如双线性插值或双三次插值。

2.双线性插值图像缩放算法详解

双线性插值（Bilinear Interpolation）是一种常用的图像缩放算法。它通过考虑目标像素周围四个像素的颜色值，使用双线性插值公式计算出目标像素的颜色值。相较于最近邻插值，双线性插值能生成更平滑的图像效果。

算法步骤
  1. 计算缩放比例：确定新图像和原始图像的宽高比例。
  2. 遍历新图像像素：逐个计算新图像中每个像素的位置。
  3. 确定邻近像素：找到目标像素在原始图像中的对应位置，确定其周围的四个像素。
  4. 双线性插值计算：使用双线性插值公式计算目标像素的颜色值。
Python 实现

以下是双线性插值图像缩放算法的Python实现代码：

import numpy as np
from PIL import Image

def bilinear_interpolation(image, new_width, new_height):
    original_width, original_height = image.size  # 获取原始图像的宽度和高度
    new_image = Image.new("RGB", (new_width, new_height))  # 创建一个新的图像对象
    pixel_map = new_image.load()  # 获取新图像的像素映射
    
    for i in range(new_width):
        for j in range(new_height):
            # 计算在原始图像中对应的浮点像素位置
            x = i * (original_width - 1) / new_width
            y = j * (original_height - 1) / new_height
            
            # 计算相邻四个像素的位置
            x1 = int(x)
            x2 = min(x1 + 1, original_width - 1)
            y1 = int(y)
            y2 = min(y1 + 1, original_height - 1)
            
            # 计算插值权重
            dx = x - x1
            dy = y - y1
            
            # 获取相邻四个像素的颜色值
            p1 = np.array(image.getpixel((x1, y1)))
            p2 = np.array(image.getpixel((x2, y1)))
            p3 = np.array(image.getpixel((x1, y2)))
            p4 = np.array(image.getpixel((x2, y2)))
            
            # 计算目标像素的颜色值
            pixel_value = (1 - dx) * (1 - dy) * p1 + dx * (1 - dy) * p2 + (1 - dx) * dy * p3 + dx * dy * p4
            pixel_map[i, j] = tuple(pixel_value.astype(int))
    
    return new_image

# 示例用法
if __name__ == "__main__":
    image = Image.open('example.jpg')  # 打开原始图像
    new_width, new_height = 800, 600  # 定义新图像的宽度和高度
    new_image = bilinear_interpolation(image, new_width, new_height)  # 调用双线性插值函数
    new_image.show()  # 显示新图像
    new_image.save('resized_example.jpg')  # 保存新图像
详细解释

  1. 读取图像和创建新图像：

    image = Image.open('example.jpg')
new_image = Image.new("RGB", (new_width, new_height))

  2. 遍历新图像的每个像素：

    for i in range(new_width):
    for j in range(new_height):

  3. 计算对应的原始图像浮点位置：

    x = i * (original_width - 1) / new_width
y = j * (original_height - 1) / new_height

  4. 确定相邻四个像素的位置：

    x1 = int(x)
x2 = min(x1 + 1, original_width - 1)
y1 = int(y)
y2 = min(y1 + 1, original_height - 1)

  5. 计算插值权重：

    dx = x - x1
dy = y - y1

  6. 获取相邻四个像素的颜色值：

    p1 = np.array(image.getpixel((x1, y1)))
p2 = np.array(image.getpixel((x2, y1)))
p3 = np.array(image.getpixel((x1, y2)))
p4 = np.array(image.getpixel((x2, y2)))

  7. 计算目标像素的颜色值：

    pixel_value = (1 - dx) * (1 - dy) * p1 + dx * (1 - dy) * p2 + (1 - dx) * dy * p3 + dx * dy * p4
pixel_map[i, j] = tuple(pixel_value.astype(int))

优缺点

优点：

  • 平滑效果好：生成的图像更加平滑，减少了锯齿效应。
  • 适用广泛：在各种图像处理应用中广泛使用，平衡了计算复杂度和图像质量。

缺点：

  • 计算复杂度较高：相比最近邻插值，计算量更大，处理速度较慢。
  • 细节保留一般：在某些情况下，细节保留效果不如双三次插值。

在这里插入图片描述

双线性插值是图像缩放中常用的方法之一，适合需要平滑效果但计算资源有限的应用场景。

3.双三次插值图像缩放算法详解

双三次插值（Bicubic Interpolation）是一种高级的图像缩放算法。它通过考虑目标像素周围16个像素的颜色值，使用双三次插值公式计算出目标像素的颜色值。相较于双线性插值，双三次插值能生成更平滑、更细腻的图像效果。

算法步骤
  1. 计算缩放比例：确定新图像和原始图像的宽高比例。
  2. 遍历新图像像素：逐个计算新图像中每个像素的位置。
  3. 确定邻近像素：找到目标像素在原始图像中的对应位置，确定其周围的16个像素。
  4. 双三次插值计算：使用双三次插值公式计算目标像素的颜色值。
Python 实现

以下是双三次插值图像缩放算法的Python实现代码：

import numpy as np
from PIL import Image

def cubic_weight(t, a=-0.5):
    """计算三次插值核函数的权重"""
    t = np.abs(t)
    if t <= 1:
        return (a + 2) * t**3 - (a + 3) * t**2 + 1
    elif t <= 2:
        return a * t**3 - 5 * a * t**2 + 8 * a * t - 4 * a
    else:
        return 0

def bicubic_interpolation(image, new_width, new_height):
    original_width, original_height = image.size
    new_image = Image.new("RGB", (new_width, new_height))
    pixel_map = new_image.load()
    image_array = np.array(image)

    for i in range(new_width):
        for j in range(new_height):
            # 计算在原始图像中对应的浮点像素位置
            x = i * (original_width - 1) / new_width
            y = j * (original_height - 1) / new_height
            
            x1 = int(np.floor(x))
            y1 = int(np.floor(y))
            
            # 初始化颜色值
            r, g, b = 0, 0, 0

            # 双三次插值计算
            for m in range(-1, 3):
                for n in range(-1, 3):
                    xm = min(max(x1 + m, 0), original_width - 1)
                    yn = min(max(y1 + n, 0), original_height - 1)
                    weight = cubic_weight(x - xm) * cubic_weight(y - yn)
                    pixel = image_array[yn, xm]
                    r += pixel[0] * weight
                    g += pixel[1] * weight
                    b += pixel[2] * weight

            # 赋值给新图像的像素
            pixel_map[i, j] = (int(r), int(g), int(b))

    return new_image

# 示例用法
if __name__ == "__main__":
    image = Image.open('example.jpg')  # 打开原始图像
    new_width, new_height = 800, 600  # 定义新图像的宽度和高度
    new_image = bicubic_interpolation(image, new_width, new_height)  # 调用双三次插值函数
    new_image.show()  # 显示新图像
    new_image.save('resized_example.jpg')  # 保存新图像
详细解释

  1. 三次插值核函数：

    def cubic_weight(t, a=-0.5):
    """计算三次插值核函数的权重"""
    t = np.abs(t)
    if t <= 1:
        return (a + 2) * t**3 - (a + 3) * t**2 + 1
    elif t <= 2:
        return a * t**3 - 5 * a * t**2 + 8 * a * t - 4 * a
    else:
        return 0

  2. 读取图像和创建新图像：

    image = Image.open('example.jpg')
new_image = Image.new("RGB", (new_width, new_height))

  3. 遍历新图像的每个像素：

    for i in range(new_width):
    for j in range(new_height):

  4. 计算对应的原始图像浮点位置：

    x = i * (original_width - 1) / new_width
y = j * (original_height - 1) / new_height
x1 = int(np.floor(x))
y1 = int(np.floor(y))

  5. 双三次插值计算：

    # 初始化颜色值
r, g, b = 0, 0, 0

# 双三次插值计算
for m in range(-1, 3):
    for n in range(-1, 3):
        xm = min(max(x1 + m, 0), original_width - 1)
        yn = min(max(y1 + n, 0), original_height - 1)
        weight = cubic_weight(x - xm) * cubic_weight(y - yn)
        pixel = image_array[yn, xm]
        r += pixel[0] * weight
        g += pixel[1] * weight
        b += pixel[2] * weight

  6. 赋值给新图像的像素：

    pixel_map[i, j] = (int(r), int(g), int(b))

优缺点

优点：

  • 高质量：生成的图像更加平滑，细节更丰富。
  • 适用广泛：在需要高质量图像处理的应用中广泛使用。

缺点：

  • 计算复杂度高：相比双线性插值，计算量更大，处理速度较慢。
  • 实现复杂：代码复杂度高，不适合实时处理。

在这里插入图片描述

双三次插值是图像缩放中高质量的方法之一，适合需要高质量图像处理的应用场景。

闲人编程
关注
  • 5
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
图像的缩放算法以及python实现
qq_43409114的博客
02-29 4834
一、图像缩放算法 最邻近插值法 这种方法是图像缩放算法中最简单的一种了。优缺点也十分明显，算法速度快，但缩放效果很差，放的太大就会照成马赛克现象，放的太小会造成严重的失真现像。下面先来进行介绍 算法步骤 假设现在有一个3*3的图像,其数据如下 [134231132312144121232123] \begin{bmatrix} 134 & 231 &13 \\ 23 & ...
Python 使用最近邻插值算法实现图片缩放
weixin_50064049的博客
03-11 385
Python 使用最近邻插值算法实现图片缩放
python实现图片对比五种算法
Tom_2018的博客
10-29 1584
# -*- coding: utf-8 -*- import cv2 import numpy as np # 均值哈希算法 def aHash(img,shape=(10,10)): # 缩放为10*10 img = cv2.resize(img, shape) # 转换为灰度图 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # s为像素和初值为0，hash_str为hash值初值为'' s = 0 ha...
python 实现图像分块算法 spilt
Lily的博客
04-17 507
python 实现图像分块算法 spilt
python图片缩放程序代码,python中的图像缩放算法
weixin_29476545的博客
03-26 822
所以，我正在通过this tutorial学习我自己的python，我被13号练习困住了，它说：编写一个函数来均匀地缩小或放大图像。你的函数应该带有一个缩放因子的图像。若要缩小图像，缩放因子应介于0和1之间若要放大图像，缩放因子应大于1。这不是一个关于PIL的问题，而是问要使用哪种算法，这样我就可以自己编写代码了。我发现了一些类似的问题，比如this，但是我不知道如何将其转换为python。任何帮...
使用Python进行图像缩放处理
如有侵权，请联系作者删除
04-29 4332
使用Python进行图像缩放处理 （感谢前辈）转自：https://zhuanlan.zhihu.com/p/26446550 最近要进行数据预处理，所以要将读取的图片进行缩放才能使用，所以就来学一学图像的缩放。 图像的缩放主要包括两种，一种是全比例缩放，即把图像x，y方向都进行等比例缩放，另外一种是非全比例缩放。 比例缩放矩阵： 其代数式： 两种缩小变换方法： 基于等间隔采样的图像缩小方法。 ...
OpenCV-图像缩放原理-python
2301_79853469的博客
04-24 2280
输入的原图像，即待改变大小的图像。：输出的改变后的图像，这个图像和原图像具有相同的内容，只是大小不同。：输出图像的大小。如果这个参数不为0，则将原图像缩放到这个指定的大小；如果这个参数为0，则原图像缩放之后的大小会根据公式来计算。：图像在水平方向（宽度）的缩放因子，控制图像在宽度方向上的缩放比例。：图像在垂直方向（高度）的缩放因子，控制图像在高度方向上的缩放比例。：插值方式，指定了像素重计算的方法。
Python实现感知哈希算法（pHash）
weixin_42872907的博客
08-31 4610
感知哈希算法步骤： 1、设置图片大小：一般是32 * 32，一个较好的大小，方便DCT计算； 2、转化为灰度图：把缩放后的图片转化为256阶的灰度图； 3、计算DCT: DCT把图片分离成分率的集合； 4、DCT计算后的矩阵是32 * 32，保留左上角的8 * 8，这些代表的图片的最低频率； 5、计算平均值：计算缩小DCT后的所有像素点的平均值； 6、计算图片哈希值，大于平均值记录为1，反之记录为0，得到信息指纹，组合64个信息位，顺序随意保持一致性； 7、最后比对两张图片的指纹，对比汉明距离从而比较图片相
用Python实现机器学习算法.rar
03-03
本压缩包“用Python实现机器学习算法.rar”显然是为了帮助用户深入理解如何使用Python来实现各种机器学习算法。 首先，我们要了解Python中的主要机器学习库，如Scikit-learn、TensorFlow和Keras。Scikit-learn是...
Python实现神经网络算法识别手写数字集
03-02
通过前向传播和反向传播算法实现模型训练，从而学习特征并进行分类。 2. **手写数字集**：手写数字数据集是一个常用的机器学习数据集，包含了0-9这10个数字的手写数字图片。每个图片都被标记了对应的数字标签，用于...
Python实现基于SIFT算法的图像拼接.zip
01-06
在本项目"Python实现基于SIFT算法的图像拼接.zip"中，主要涉及的是使用Python编程语言和SIFT（Scale-Invariant Feature Transform，尺度不变特征变换）算法来完成图像拼接的任务。SIFT算法是一种强大的计算机视觉...
python实现KMeans算法
07-25
Python实现的KMeans算法是一种广泛应用于大数据聚类分析的机器学习方法。KMeans算法的核心思想是通过迭代将数据集中的样本点分配到最近的聚类中心，然后更新聚类中心为该类样本点的均值，直至聚类中心不再发生变化或...
Python实现神经网络算法识别手写数字集.zip
08-09
在本项目中，我们主要探讨的是如何利用Python编程语言实现神经网络算法来识别手写数字。这个主题涉及到了机器学习中的深度学习领域，特别是卷积神经网络（Convolutional Neural Networks, CNN）在图像识别中的应用。...
【Python如何将字符串连接在一起并使用`join()`方法】
最新发布
qq_36253366的博客
07-19 171
方法是字符串对象的方法，而不是列表或元组等序列类型的方法。因此，你需要先指定一个用作分隔符的字符串，然后调用这个字符串的。方法将字符串连接在一起，你需要首先确保这些字符串被存储在一个序列类型中（如列表或元组），然后调用这个序列的。方法是一个字符串方法，它用于将序列（如列表、元组等）中的元素以指定的字符连接生成一个新的字符串。列表中的所有字符串元素使用空格作为分隔符连接成一个新的字符串。方法，并将你想要作为分隔符的字符串作为参数传递给。方法，并将包含要连接字符串的序列作为参数传递。
华为od机试真题 — 代表团坐车(Python)
学习,你不是一个人在战斗 ～ 961302305（QQ,微信）
07-17 573
【华为od机试真题 】代表团坐车(Python) 某组织举行会议，来了多个代表团同时到达，接待处只有一辆汽车可以同时接待多个代表团，为了提高车辆利用率，请帮接待员计算可以坐满车的接待方案输出方案数量。
IPython 日志秘籍：%logstate 命令全解析
2401_85812026的博客
07-17 561
logstate命令是 IPython 日志系统的重要组成部分，它帮助我们掌控日志记录的状态。通过本文的介绍，你应该对如何在 IPython 中使用%logstate查看日志状态有了更深入的理解。记住，合理利用日志系统，可以让你的数据探索过程更加透明和可追溯。本文详细介绍了 IPython 的%logstate命令，包括其基本概念、基本用法、输出解析以及实战示例。希望本文能够帮助读者更好地利用 IPython 的日志系统，优化数据探索和科学计算的工作流。记住，掌握%logstate。
Python每日一题：回文数
xiongxiaoxuan的博客
07-16 272
回文数是指正序（从左向右）和倒序（从右向左）读都是一样的整数。例如，121 是回文，而 123 不是。给你一个整数 x ，如果 x 是一个回文整数，返回 true；否则，返回 false。解释：从左向右读, 为 -121。从右向左读, 为 121-。因此它不是一个回文数。先将整数x转化为字符串形式，判断x和它的反转形态是否完全相等。解释：从右向左读, 为 01。需注意：True和False首字母大写！提示：-231
【Python 中的内存管理有哪些优缺点】
qq_36253366的博客
07-19 198
Python中的内存管理是一个复杂而高效的系统，它通过自动化和抽象化的方式极大地简化了程序员的内存管理负担，但同时也存在一些潜在的缺点。
Python高质量图片缩放算法
12-14
Python中常用的高质量图片缩放算法有以下几种： 1. PIL库中的Lanczos滤波器：PIL是Python Imaging Library的缩写，它提供了一系列图像处理的函数和方法。其中，Lanczos滤波器是一种高质量的图像缩放算法，它可以在缩放过程中保持图像的清晰度和细节。 2. OpenCV库中的双线性插值算法：OpenCV是一个开源的计算机视觉库，它提供了一系列图像处理和计算机视觉相关的函数和方法。其中，双线性插值算法是一种常用的图像缩放算法，它可以在缩放过程中保持图像的平滑度和连续性。 3. Scikit-image库中的基于重构的插值算法：Scikit-image是一个基于Python的图像处理库，它提供了一系列图像处理和计算机视觉相关的函数和方法。其中，基于重构的插值算法是一种高质量的图像缩放算法，它可以在缩放过程中保持图像的清晰度和细节，并且可以处理非常大的图像。 以上是Python中常用的高质量图片缩放算法，你可以根据自己的需求选择合适的算法进行使用。如果你需要更详细的介绍或者代码实现，可以告诉我具体的需求，我会尽力帮助你。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

闲人编程

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值