计算机视觉基础---OpenCV框架与图像插值算法（图像伸缩）cpp+python

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 今天学习目标

• 了解插值算法与常见几何变换之间的关系
• 理解插值算法的原理
• 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

   最近邻插值算法
   双线性插值算法
   

2. OpenCV代码实践

   cv.resize()各项参数及含义
   

3. 动手实现

1.4 算法理论介绍与推荐

1.4.1 最近邻插值算法原理

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，f§=f(Q11).

一个例子：

如下图所示，将一幅3X3的图像放大到4X4，用f(x,y)表示目标图像，h(x,y)表示原图像，我们有如下公式：
src:原函数值
dst：目标函数值
f(0,0)=h(0,0) f(0,1)=h(0,0.75)=h(0,1) f(0,2)=h(0,1.50)=h(0,2) f(0,3)=h(0,2.25)=h(0,2) …
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：
   f(x)=a1x+a0
   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:

	f(x,y)=ax+by+cxy+d

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：

	f(x,0)=f(0,0)+x[f(1,0)−f(0,0)]

类似地，再对底端的两个顶点进行线性插值有：

	f(x,1)=f(0,1)+x[f(1,1)−f(0,1)]

最后，做垂直方向的线性插值，以确定：

	f(x,y)=f(x,0)+y[f(x,1)−f(x,0)]

整理得：

f(x,y)=[f(1,0)−f(0,0)]x+[f(0,1)−f(0,0)]y +[f(1,1)+f(0,0)−f(0,1)−f(1,0)]xy+f(0,0)

[若双线性插值法没有看懂移步这里](https://blog.csdn.net/xbinworld/article/details/65660665)

1.4.3 映射方法

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。（1->4）

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。(4->1)

 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
• 解决了漏点的问题，出现了马赛克

1.5 基于OpenCV的实现(俩种语言)

1.5.1 Python

函数原型：

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

参数：

插值方式：

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。

代码实践：

import cv2
 
if __name__ == "__main__":
    img = cv2.imread('F:\cpp-files\深度学习\图像识别\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()

原图
0.3倍缩小，双线性插值

1.5倍放大，最近邻插值

1.5.2 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:输入图像
dst:输出图像
dsize:输出图像尺寸
fx、fy:x,y方向上的缩放因子
INTER_LINEAR：插值方法，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，这可能是一个更好的方法。但如果是放大图像时，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
    5. INTER_LANCZOS4 - 基于8x8像素邻域的Lanczos插值

代码实践：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main(int argc, char* argv[])
{
	Mat img = imread("F:\cpp-files\深度学习\图像识别\image\yuner.jpg");
	if (img.empty())
	{
		cout << "无法读取图像" << endl;
		return 0;
	}

	int height = img.rows;
	int width = img.cols;
	// 缩小图像，比例为(0.2, 0.2)
	Size dsize = Size(round(0.2 * width), round(0.2 * height));
	Mat shrink;
    //使用双线性插值
	resize(img, shrink, dsize, 0, 0, INTER_LINEAR);

	// 在缩小图像的基础上，放大图像，比例为(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;
}

• 推荐书籍：学习OpenCV中文版

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于对其他算法的理解，为自己的学习打下坚实的基础。