介绍
关于最近邻nearest、双线性bilinear、双三次bicubic插值的原理，本文就不做具体的介绍了，已经有很多优秀的文章，比如：
强推：
https://blog.csdn.net/qq_39478403/article/details/105796249?spm=1001.2014.3001.5502
双线性bilinear插值：
https://www.cnblogs.com/wancy/p/15212604.html
https://blog.csdn.net/hxxjxw/article/details/118229375
https://zhuanlan.zhihu.com/p/463913651
https://blog.csdn.net/qq_28266311/article/details/86293713
双三次bicubic插值：
https://www.csdn.net/tags/NtzaIg3sMzY3NzYtYmxvZwO0O0OO0O0O.html
https://blog.csdn.net/wanghaoranand/article/details/107684548
非常感谢以上博客，本博客的代码也是参考了以上博客才得以完成
话不多说，直接码代码
最近邻nearest插值
def nearest(srcImg, dstH, dstW):
srcH, srcW, _ = srcImg.shape
# 将原图像的高度和宽度扩展一个像素
# 目的是为了防止后面的计算出现数组越界的情况
srcImg = np.pad(srcImg, ((0,1),(0,1),(0,0)), mode='reflect')
# 创建目标图像
dstImg = np.zeros((dstH, dstW, 3), dtype=np.uint8)
# 遍历目标图像中的每个像素点
for dstX in range(dstH):
for dstY in range(dstW):
# 寻找目标图像上的一个点对应在原图像上的位置 (x, y)
# 注意这里的x和y不是一个整数
x = dstX * (srcH / dstH)
y = dstY * (srcW / dstW)
# 将x和y进行向下取整，得到原图上对应的像素位置(scrX, srcY)
scrX = int(x)
srcY = int(y)
# 计算目标像素与原图像上整数像素之间的距离
u = x - scrX
v = y - srcY
# 根据距离来判断该选择周围四个像素中哪个像素
if u > 0.5:
scrX += 1
if v > 0.5:
srcY += 1
# 选择原图像上距离最近的那个像素作为目标像素的值
dstImg[dstX, dstY] = srcImg[scrX, srcY]
return dstImg.astype(np.uint8)
双线性bilinear插值
def bilinear(srcImg, dstH, dstW):
srcH, srcW, _ = srcImg.shape
# 将原图像的高度和宽度扩展一个像素
# 目的是为了防止后面的计算出现数组越界的情况
srcImg = np.pad(srcImg, ((0,1),(0,1),(0,0)), mode='reflect')
# 创建目标图像
dstImg = np.zeros((dstH, dstW, 3), dtype=np.uint8)
# 遍历目标图像中的每个像素点
for dstX in range(dstH):
for dstY in range(dstW):
# 寻找目标图像上的一个点对应在原图像上的位置 (x, y)
# 注意这里的x和y不是一个整数
x = dstX * (srcH / dstH)
y = dstY * (srcW / dstW)
# 将x和y进行向下取整，得到原图上对应的像素位置(scrX, srcY)
scrX = int(x)
srcY = int(y)
# 计算目标像素与原图像上整数像素之间的距离
u = x - scrX
v = y - srcY
# 计算目标像素值，通过原图像四个整数像素的加权和
dstImg[dstX, dstY] = (1-u) * (1-v) * srcImg[scrX, srcY ] + \
u * (1-v) * srcImg[scrX+1, srcY ] + \
(1-u) * v * srcImg[scrX, srcY+1] + \
u * v * srcImg[scrX+1, srcY+1]
return dstImg.astype(np.uint8)
双三次bicubic插值
参考的核函数：
图片来源于：https://www.csdn.net/tags/NtzaIg3sMzY3NzYtYmxvZwO0O0OO0O0O.html
def W(x):
# a = -1
x = abs(x)
if x <= 1:
return 1 - 2*(x**2) + (x**3)
elif x < 2:
return 4 - 8*x + 5*(x**2) - (x**3)
else:
return 0
def weighted_sum(srcImg, scrX, srcY, u, v):
# 为了加速，使用矩阵乘法
A = np.array([W(u+1), W(u), W(u-1), W(u-2)])
# A: 1x4
A = A[np.newaxis, :]
C = np.array([W(v+1), W(v), W(v-1), W(v-2)])
# C: 4x1
C = C[:, np.newaxis]
# 选取原图像中对应的16个像素
# 本应该是srcImg[scrX-1:scrX+3, srcY-1:srcY+3]
# 为了防止数组越界，前面已经原图像进行了pad操作，即前面pad一个像素，后面pad两个像素
# 所以此时的scrX-1已经对应着原图像的scrX了
B = srcImg[scrX:scrX+4, srcY:srcY+4]
res = np.zeros(3, dtype=np.float32)
for i in range(3):
tmp = np.matmul(A, B[:,:,i])
tmp = np.matmul(tmp, C)
if tmp > 255: tmp = 255
if tmp < 0: tmp = 0
res[i] = tmp
return res
def bicubic(srcImg, dstH, dstW):
srcH, srcW, _ = srcImg.shape
# 将原图像的高度和宽度扩展(1, 2)个像素
# 目的是为了防止后面的计算出现数组越界的情况
srcImg = np.pad(srcImg, ((1,2),(1,2),(0,0)), mode='reflect')
# 创建目标图像
dstImg = np.zeros((dstH, dstW, 3), dtype=np.uint8)
# 遍历目标图像中的每个像素点
for dstX in range(dstH):
for dstY in range(dstW):
# 寻找目标图像上的一个点对应在原图像上的位置 (x, y)
# 注意这里的x和y不是一个整数
x = dstX * (srcH / dstH)
y = dstY * (srcW / dstW)
# 将x和y进行向下取整，得到原图上对应的像素位置(scrX, srcY)
scrX = int(x)
srcY = int(y)
# 计算目标像素与原图像上整数像素之间的距离
u = x - scrX
v = y - srcY
# 计算目标像素值，通过原图像16个整数像素的加权和
dstImg[dstX, dstY] = weighted_sum(srcImg, scrX, srcY, u, v)
return dstImg.astype(np.uint8)
测试
img = np.asarray(Image.open('./images/lena.png'))
# 512 x 512
start = time.time()
# img = nearest(img, 1000, 1000)
# img = bilinear(img, 1000, 1000)
img = bicubic(img, 1000, 1000)
print('cost time:', time.time() - start)
Image.fromarray(img).save('./results/lena_bicubic.png')
测试时间结果：
最近邻nearest插值：0.9347765445709229 s
双线性bilinear插值：5.8758697509765625 s
双三次bicubic插值：24.310532808303833 s
原始图像：
最近邻nearest插值结果：
双线性bilinear插值结果：
双三次bicubic插值结果：
