几种图像插值算法的意义与实现

已于 2023-03-12 14:47:15 修改
阅读量1.5k 收藏 13
点赞数 3
文章标签： 算法 计算机视觉 opencv
于 2023-03-12 14:39:47 首次发布
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/weixin_44001371/article/details/129475260
版权

几种图像插值算法的意义与实现

图像插值定义：

图像插值是在基于模型框架下，从低分辨率图像生成高分辨率图像的过程，用以恢复图像中所丢失的信息。

在这里插入图片描述

分类

主要可以分为两类，一类是线性图像插值方法，另一类是非线性图像插值方法，如下图所示。传统的插值方法如最近邻插值，双线性插值以及双三次插值等都属于线性插值方法。这类插值方法在图像插值过程中采用同一种插值内核，不用考虑待插像素点所处的位置，这种做法会使图像中的边缘变得模糊不清，达不到高清图像的视觉效果。非线性插值方法主要包括：基于小波系数的方法基于边缘信息的方法其中，基于边缘信息的方法又可分为隐式方法和显式方法 两种。，其中隐式方法包含边缘导向插值(New edge directive interpolation，NEDI)，最小均方误差估计插值(Linear minimum mean square-error estimation，LMMSE)软判决自适应插值(Soft-decision adaptive interpolation interpolation,SAI)，提出的边缘对比度引导的图像插值(Contrast-guideed image interpolation,CGI)等都是隐式的基于图像边缘的插值方法。在这里插入图片描述

线性插值法

1，原理

在图像的仿射变换中，很多地方需要用到插值运算，常见的插值运算包括最邻近插值，双线性插值，双三次插值，兰索思插值等方法，OpenCV提供了很多方法，其中，双线性插值由于折中的插值效果和运算速度，运用比较广泛。
　　越是简单的模型越适合用来举例子，我们就举个简单的图像：3 * 3 的256级灰度图。假如图像的像素矩阵如下图所示（这个原始图把它叫做源图，Source）：
　　234 38 22
　　67 44 12
　　89 65 63
　　这个矩阵中,元素坐标(x,y)是这样确定的，x从左到右，从0开始，y从上到下，也是从零开始，这是图象处理中最常用的坐标系。
　　如果想把这副图放大为 4 * 4大小的图像，那么该怎么做呢？那么第一步肯定想到的是先把4 * 4的矩阵先画出来再说，好了矩阵画出来了，如下所示，当然，矩阵的每个像素都是未知数，等待着我们去填充（这个将要被填充的图的叫做目标图,Destination）：
　　? ? ? ?
　　? ? ? ?
　　? ? ? ?
　　? ? ? ?
　　然后要往这个空的矩阵里面填值了，要填的值从哪里来来呢？是从源图中来，好，先填写目标图最左上角的像素，坐标为（0，0），那么该坐标对应源图中的坐标可以由如下公式得出
　　srcX=dstX * (srcWidth/dstWidth) ,
　　srcY = dstY * (srcHeight/dstHeight)
　　好了，套用公式，就可以找到对应的原图的坐标了(0 * (3/4),0*(3/4))=>(0 * 0.75,0 * 0.75)=>(0,0)，找到了源图的对应坐标,就可以把源图中坐标为(0,0)处的234像素值填进去目标图的(0,0)这个位置了。
　　接下来,如法炮制,寻找目标图中坐标为(1,0)的像素对应源图中的坐标,套用公式:
(1 * 0.75,0 * 0.75)=>(0.75,0)
结果发现,得到的坐标里面竟然有小数,这可怎么办?计算机里的图像可是数字图像,像素就是最小单位了,像素的坐标都是整数,从来没有小数坐标。这时候采用的一种策略就是采用四舍五入的方法（也可以采用直接舍掉小数位的方法），把非整数坐标转换成整数，好，那么按照四舍五入的方法就得到坐标（1，0），完整的运算过程就是这样的：(1 * 0.75,0 * 0.75)=>(0.75,0)=>(1,0) 那么就可以再填一个像素到目标矩阵中了，同样是把源图中坐标为(1,0)处的像素值38填入目标图中的坐标。
　　依次填完每个象素，一幅放大后的图像就诞生了，像素矩阵如下所示：
　　234 38 22 22
　　67 44 12 12
　　89 65 63 63
　　89 65 63 63
　　这种放大图像的方法叫做最临近插值算法，这是一种最基本、最简单的图像缩放算法，效果也是最不好的，放大后的图像有很严重的马赛克，缩小后的图像有很严重的失真；效果不好的根源就是其简单的最临近插值方法引入了严重的图像失真，比如，当由目标图的坐标反推得到的源图的的坐标是一个浮点数的时候，采用了四舍五入的方法，直接采用了和这个浮点数最接近的象素的值，这种方法是很不科学的，当推得坐标值为 0.75的时候，不应该就简单的取为1，既然是0.75，比1要小0.25 ，比0要大0.75 ,那么目标像素值其实应该根据这个源图中虚拟的点四周的四个真实的点来按照一定的规律计算出来的，这样才能达到更好的缩放效果。
　　双线型内插值算法就是一种比较好的图像缩放算法，它充分的利用了源图中虚拟点四周的四个真实存在的像素值来共同决定目标图中的一个像素值，因此缩放效果比简单的最邻近插值要好很多。
　　接下来先讲一下单线性插值法
　　已知数据 (x0, y0) 与 (x1, y1)，要计算 [x0, x1] 区间内某一位置 x 在直线上的y值。在这里插入图片描述在这里插入图片描述
上面比较好理解吧，仔细看就是用x和x0，x1的距离作为一个权重，用于y0和y1的加权。双线性插值本质上就是在两个方向上做线性插值。

双线性内插值算法描述如下:
　　对于一个目的像素，设置坐标通过反向变换得到的浮点坐标为(i+u,j+v) (其中i、j均为浮点坐标的整数部分，u、v为浮点坐标的小数部分，是取值[0,1)区间的浮点数)，则这个像素得值 f(i+u,j+v) 可由原图像中坐标为 (i,j)、(i+1,j)、(i,j+1)、(i+1,j+1)所对应的周围四个像素的值决定，即：
　　f(i+u,j+v) = (1-u)(1-v)f(i,j) + (1-u)vf(i,j+1) + u(1-v)f(i+1,j) + uvf(i+1,j+1)
其中f(i,j)表示源图像(i,j)处的的像素值，以此类推。
　　比如，像刚才的例子，现在假如目标图的像素坐标为（1，1），那么反推得到的对应于源图的坐标是（0.75 , 0.75）, 这其实只是一个概念上的虚拟象素,实际在源图中并不存在这样一个像素,那么目标图的像素（1，1）的取值不能够由这个虚拟像素来决定，而只能由源图的这四个像素共同决定：（0，0）（0，1）（1，0）（1，1），而由于（0.75,0.75）离（1，1）要更近一些，那么（1,1）所起的决定作用更大一些，这从公式1中的系数uv=0.75×0.75就可以体现出来，而（0.75,0.75）离（0，0）最远，所以（0，0）所起的决定作用就要小一些，公式中系数为(1-u)(1-v)=0.25×0.25也体现出了这一特点。

2，计算方法

在这里插入图片描述
首先，在X方向上进行两次线性插值计算，然后在Y方向上进行一次插值计算。
在这里插入图片描述
在这里插入图片描述
在图像处理的时候，我们先根据
　　srcX=dstX* (srcWidth/dstWidth) ,
　　srcY=dstY * (srcHeight/dstHeight)
来计算目标像素在源图像中的位置，这里计算的srcX和srcY一般都是浮点数，比如f（1.2, 3.4）这个像素点是虚拟存在的，先找到与它临近的四个实际存在的像素点
　　（1，3） （2，3）
　　（1，4） （2，4）
　　写成f(i+u,j+v)的形式，则u=0.2,v=0.4, i=1, j=3
　　在沿着X方向差插值时，f(R1)=u(f(Q21)-f(Q11))+f(Q11)
　　沿着Y方向同理计算。
　　或者，直接整理一步计算，
　　f(i+u,j+v) = (1-u)(1-v)f(i,j) + (1-u)vf(i,j+1) + u(1-v)f(i+1,j) + uvf(i+1,j+1) 。 （因为 x = i + u x=i+u x=i+u, x 2 = i + 1 x_2=i+1 x2​=i+1,所以 x 2 − x = 1 − u x_2-x=1-u x2​−x=1−u，且分母 ( x 2 − x 1 ) ( y 2 − y 1 ) = 1 (x_2-x_1)(y_2-y_1)=1 (x2​−x1​)(y2​−y1​)=1）

3，加速以及优化策略

单纯按照上文实现的插值算法只能勉强完成插值的功能，速度和效果都不会理想，在具体代码实现的时候有些小技巧。参考OpenCV源码以及网上博客整理如下两点：

  • 源图像和目标图像几何中心的对齐。
  • 将浮点运算转换成整数运算
3.1 源图像和目标图像几何中心的对齐

方法: 在计算源图像的虚拟浮点坐标的时候，一般情况：
　　srcX=dstX* (srcWidth/dstWidth) ,
　　srcY=dstY * (srcHeight/dstHeight)
　　中心对齐(OpenCV也是如此)：
　　SrcX=(dstX+0.5)* (srcWidth/dstWidth) -0.5
　　SrcY=(dstY+0.5) * (srcHeight/dstHeight)-0.5

3.2 将浮点运算转换成整数运算

直接进行计算的话，由于计算的srcX和srcY 都是浮点数，后续会进行大量的乘法，而图像数据量又大，速度不会理想，解决思路是：
浮点运算→→整数运算→→”<<左右移按位运算”
　　放大的主要对象是u，v这些浮点数，OpenCV选择的放大倍数是2048，如何取这个合适的放大倍数呢，要从三个方面考虑，第一：精度问题，如果这个数取得过小，那么经过计算后可能会导致结果出现较大的误差。第二，这个数不能太大，太大会导致计算过程超过长整形所能表达的范围。第三：速度考虑。假如放大倍数取为12，那么算式在最后的结果中应该需要除以12 * 12=144，但是如果取为16，则最后的除数为16*16=256，这个数字好，我们可以用右移来实现，而右移要比普通的整除快多了。我们利用左移11位操作就可以达到放大目的。
参考资料
[1] OpenCV ——双线性插值（Bilinear interpolation）
[2] 图像插值算法概览及代码实现
[3] 图像处理+双线性插值法

大龙唉
关注
  • 3
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
OpenCV图像处理——图像插值算法原理（python实现和c++实现）
qq_44957388的博客
04-21 4088
Datawhale 计算机视觉基础-图像处理（上）-Task01 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][u，v][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）（u...
KrigingCore_java_克里金插值算法实现_克里金算法_
09-30
在给定的Java项目“KrigingCore_java_克里金插值算法实现”中，开发者提供了一个开源的实现，让我们深入探讨一下克里金插值的基本原理和这个Java实现的关键部分。 **1. 克里金插值原理** 克里金插值由南非矿业...
常见的三种图像插值方法
11-18 707
上面是在数字图像处理中，遇到像素坐标为小数时的取值问题，最开始我们也提到了 FPN 的从上往下的旁路中的上采样也使用到了最近邻插值方法，这里的上采样是使得特征图的宽与高变成原来的 2 倍，那跟我们这里提到的小数坐标运算问题不太一样，它是直接先逐行复制，再逐列复制，具体的表现我们使。的主要应用是对图像进行放大以及旋转等操作，是从低分辨率的图像生成高分辨率图像的过程，用以恢复图像中丢失的信息，使得图像更清晰，细节信息更多，相邻像素之间的过渡更加有连续性。，则将左上角的像素的灰度值赋给待求像素，其他区域同理。
常用的几种图像插值算法
热门推荐
Du_Shuang的博客
09-06 1万+
转载于：https://blog.csdn.net/coy_wang/article/details/5027872 在做数字图像处理时，经常会碰到小数象素坐标的取值问题，这时就需要依据邻近象素的值来对该坐标进行插值。比如：做地图投影转换，对目标图像的一个象素进行坐标变换到源图像上对应的点时，变换出来的对应的坐标是一个小数，再比如做图像的几何校正，也会碰到同样的...
常见图像插值算法
wushakun的博客
02-22 968
缩放、最近邻插值、三次立方插值
一文讲解图像插值算法原理！附Python实现
Datawhale
04-22 4352
Datawhale学习作者：姚童，Datawhale优秀学习者寄语：本文梳理了最近邻插值法、双线性插值法和三次样条插值法的原理，并以图像缩放为例，对原理进行了C++及Python实现...
插值算法
ashiners的博客
11-22 4607
线性插值方式-最近邻、单线性、双线性、三线性以及双三次插值方法
图像的三次B样条插值原理与C++实现
shandianfengfan的博客
03-05 1万+
三次B样条插值算法原理
图像处理之三种常见双立方插值算法
小白学视觉
04-22 2376
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达详解几种常见的双立方插值技术！好东西记得分享图像插值技术概述图像插值技术在图像几何变换、透视变换等过程中是必不可少的技术环节，可以说像素插值方法最终决定变换之后的图像质量高低。常见的插值方法有临近点插值双线性插值双立方插值内插值三角插值等插值方法。其中双立方插值效果比较好而在很多高质量图像变换中得到广泛...
Matlab实现常见的插值算法
smlyor的博客
10-09 3407
Matlab实现常见的插值算法
MATLAB最邻近插值算法的实现
02-28
最邻近插值是一种在数字图像处理中广泛使用的简单插值方法，用于放大或增加图像分辨率。这种方法的主要思想是基于像素的最近邻原则，即将新位置的像素值设定为距离该位置最近的原始像素的值。在MATLAB中实现这个算法...
几种传统图像插值方法的实现与误差分析
08-23
#### 三、插值算法的原理与实现 **3.1 最近邻插值** 最近邻插值是最简单的插值方法之一，其核心思想是在源图像中找到离目标像素点最近的像素点，然后用该像素点的值代替目标像素点的值。这种方法虽然计算简单，...
基于FPGA图像显示的双线性插值算法的设计与实现_孙瑶.pdf
08-19
基于FPGA图像显示的双线性插值算法的设计与实现 本论文的主要内容是基于FPGA图像显示的双线性插值算法的设计与实现。论文首先介绍了基于Bayer CFA图像格式插值算法的国内外研究现状和几种常见的插值算法的基本原理...
算法-KMP字符串匹配
xx_xb的博客
07-23 232
next[i] 就是使子串 s[0…i] 有最长相等前后缀的前缀的最后一位的下标。总体来说解next数组和模板串匹配的过程很相似，触类旁通。
算法题目整合5
qq_62571233的博客
07-23 883
思路：利用left和right记录连续相同的字符串索引，计算长度len，如果是0,1,2,4这种情况直接输出-1并return。如果是奇数直接输出，如果是偶数的话，可以拆成3和len-3两个部分。的最小值是101100，求其第4554小即在从后数的四个问号位置分别加上‘3’，‘5’，‘5’，‘4’即可，即551153；表示当前卡牌正面（或反面）加上上一个取余结果再对3取余的值，举个例子，比如说。），由于不同的取余方案搭配上正反面的组合，共有6中结果，所以在。，表示当前卡牌正面为1，当遍历的。
【Hot100】LeetCode—152. 乘积最大子数组
weixin_44382896的博客
07-23 280
【代码】【Hot100】LeetCode—152. 乘积最大子数组。
【常微分方程】
最新发布
qq_74285286的博客
07-24 303
常微分方程笔记
nedi图像插值matlab代码
07-01
### 回答1： NEDI（New Edge-Directed Interpolation）是一种基于图像边缘信息的图像插值算法，其目标是在插值过程中保持图像的边缘信息。下面是一个简单的基于MATLAB的NEDI图像插值代码示例： ```matlab function output_image = nedi_interpolation(input_image) [m, n] = size(input_image); % 获取输入图像的尺寸 output_image = zeros(2*m, 2*n); % 创建一个2倍于输入图像大小的输出图像 for i = 1:m for j = 1:n % 获取当前像素的值 current_pixel = input_image(i, j); % 计算当前像素周围的邻域值（可以根据需要选择邻域大小） neighborhood = input_image(max(i-1, 1):min(i+1, m), max(j-1, 1):min(j+1, n)); % 计算邻域内像素的方差 variance = var(neighborhood(:)); % 判断当前像素是否为边缘点 if variance > threshold % 这里的threshold是一个自定义的阈值 % 如果当前像素是边缘点，则直接将该像素的值赋给输出图像 output_image(2*i-1, 2*j-1) = current_pixel; else % 如果当前像素不是边缘点，则采用双线性插值计算插值结果 output_image(2*i-1, 2*j-1) = current_pixel; output_image(2*i, 2*j-1) = 0.5 * (current_pixel + input_image(min(i+1, m), j)); output_image(2*i-1, 2*j) = 0.5 * (current_pixel + input_image(i, min(j+1, n))); output_image(2*i, 2*j) = 0.25 * (current_pixel + input_image(i, min(j+1, n)) + input_image(min(i+1, m), j) + input_image(min(i+1, m), min(j+1, n))); end end end end ``` 该代码通过遍历输入图像的每个像素，根据其周围像素的方差来判断当前像素是否为边缘点。如果是边缘点，则直接将该像素的值赋给输出图像。如果不是边缘点，则采用双线性插值的方法计算插值结果。最终输出图像的尺寸是输入图像尺寸的2倍。需要注意的是，代码中的threshold和邻域大小可以根据实际需求进行调整。 ### 回答2： NEDI是一种图像插值算法，它基于样本图像以及附加的噪声图像来实现插值。下面是一份使用MATLAB实现NEDI图像插值的代码示例： ```matlab function interpolated_image = nedi_interpolation(original_image, noise_image) % 设定参数 patch_size = 9; sigma = 0.03; % 将输入的图像转为灰度图像 original_image = rgb2gray(original_image); noise_image = rgb2gray(noise_image); % 构造一维滤波器 filter = fspecial('gaussian', patch_size, sigma); % 初始化输出插值图像 interpolated_image = original_image; [rows, cols] = size(original_image); % 对每个像素进行插值 for i = 1:rows for j = 1:cols % 获取当前像素在附加图像中的对应位置 i_n = round(i/2); j_n = round(j/2); % 获取当前像素的邻域图像块 patch_original = original_image(max(i-patch_size/2, 1):min(i+patch_size/2, rows), max(j-patch_size/2, 1):min(j+patch_size/2, cols)); patch_noise = noise_image(max(i_n-patch_size/2, 1):min(i_n+patch_size/2, rows/2), max(j_n-patch_size/2, 1):min(j_n+patch_size/2, cols/2)); % 对邻域图像块进行滤波 patch_filtered = imfilter(patch_noise, filter); % 计算邻域图像块的均方根误差 rmse = sqrt(mean((patch_original(:) - patch_filtered(:)).^2)); % 根据均方根误差进行插值 if rmse >= sigma interpolated_image(i, j) = patch_filtered(patch_size/2+1, patch_size/2+1); end end end end ``` 使用此代码，您可以将输入图像和附加的噪声图像作为参数传入，并获得使用NEDI算法插值后的图像作为输出。该算法通过比较局部块的像素值来决定是否进行插值，从而实现对噪声图像的修复。
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
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