1. 图像缩放
1.2. 使用命令
import cv2
# 缩放
def resize(img, k, inter):
res = cv2.resize(img, None, fx=k, fy=k, interpolation=inter)
return res参数设定（interpolation）：
0：最近邻插值
1：双线性插值
2：基于局部像素的重采样
3：基于4*4像素邻域的三次插值
4：基于8*8像素邻域的Lanczos插值
img_row = cv2.imread(r'picture4.jpg')
cv2.imshow('origin_picture', img_row)
cv2.waitKey(0)
inters = [cv2.INTER_NEAREST, cv2.INTER_LINEAR, cv2.INTER_AREA, cv2.INTER_CUBIC, cv2.INTER_LANCZOS4]
for inter in inters:
res1 = resize(img_row, 2, inter)
cv2.imshow('res1', res1)
cv2.waitKey(0)
position = 'pic_resize' + '_' + str(inter) + '.jpg'
cv2.imwrite(position, res1)
1.2. 原理介绍
几种方法原理简介：
- 最近邻插值：将目标图像中的点对应原图像中最近邻整数坐标点的像素值
- 双线性插值：f(x,y)为二元函数，假设我们知道f(x0,y0), f(x1,y1),f(x0,y1), f(x1,y0)四个点的值。这四个点确定一个矩形，我们希望通过插值得到矩形内任意点的函数值。于是我们在x方向上进行两次线性插值，y方向上一次线性插值。综合后得到以下公式：
- 局部像素的重采样：如果放大图像的比例是整数倍，与最近邻插值类似，如果放大的比例不是整数倍，则会采用线性插值
- 三次插值：给定n+1个点，a=x0<x1 < . . . <xn=b，以及他们的函数值f (x i) , i = 0 , 1 , 2 , . . . n ，在每个区间 [ x i , x i + 1 ]上，确定一个三次多项式，每个三次多项式满足共4n-2个条件，剩余条件由边界条件确定：
- Lanczos插值：
需要通过计算模板中的权重信息来计算x对应的值。对于一维信息，假如我们输入的点集为X，那么，Lanczos对应有个窗口模板Window，窗口中每个位置的权重计算如下，通常a取2或者3.根据计算出来的权重，然后再根据x即可求出对应的加权平均：
1.3. 方法比较
速度比较：
效果比较：
- 最近邻插值：最简单，但是边缘没有缓慢的过渡区域，导致放大图像边缘容易出现锯齿
- 双线性插值：计算较最近邻复杂，但是能很好避免边缘锯齿的现象
- 区域重采样：图像放大时效果类似于双线性插值
- 三次插值法：计算较为复杂，但是具有良好的稳定性和平滑性
- Lanczos插值：计算最为复杂，效果最好，但是耗时最长
1.4. 实验结果
最近邻：
双线性：
基于局部像素的重采样：
三次插值法：
Lanczos插值法：
2. 旋转
2.1. 使用命令
import imutils
# 旋转
def rotate(img, angle):
res = imutils.rotate_bound(img, angle)
return res
img_row = cv2.imread(r'picture4.jpg')
res2 = rotate(img_row, 45)
cv2.imshow('res2', res2)
cv2.waitKey(0)
cv2.imwrite(r'pic_rotate.jpg', res2)2.2. 实验效果
3. 原理部分参考文献
- OpenCV图像缩放resize各种插值方式的比较_pan_jinquan的博客-CSDN博客_opencv 图像插值
- OpenCV框架与图像插值算法_此心安处是吾乡-CSDN博客_opencv 插值函数
- 计算机视觉基础-图像插值算法_CleMints的博客-CSDN博客_基于局部像素的重采样
- OpenCV中resize函数五种插值算法的实现过程_网络资源是无限的-CSDN博客_opencv resize
- OpenCV-Python图像处理：插值方法及使用resize函数进行图像缩放_老猿Python-CSDN博客_python图像处理resize
- OpenCV图像处理——图像插值算法原理（python实现和c++实现）_铲屎的胖虎的博客-CSDN博客_opencv图像插值原理