python-opencv实现最近邻插值和双线性插值对图片上采样 - Mr小小凡的个人空间

- 最近邻插值方法

- 双线性插值方法

为了更好的展现出插值方法的效果，先利用切边操作把图片设置为（350，350）大小，再各利用插值法把图片的height和weigth各扩大一倍为（700，700），之后比较原始图片和使用了插值方法图片的分辨率或者说清晰度。切片值设置因图而异。代码如下。
img=cv2.imread(r'C:\Users\ZFG\PycharmProjects\Lenet_test\orinal.jpg')
print(img.shape[:2])  #输出为(1491, 1080)
img=img[650:1000,200:550]
print(img.shape[:2])  #输出为(350, 350)
cv2.imwrite(r'C:\Users\ZFG\PycharmProjects\Lenet_test\test.jpg',img) #保存图片在命名为test
cv2.imshow('orinal',img)
cv2.waitKey(0)
最近邻插值方法 
代码如下所示可以实现： 
import numpy as np
import cv2
def function(img):
    height,width,channels=img.shape #获得高宽三颜色通道三个值
    empty=np.zeros((700,700,channels),np.uint8)  #设置一个（700，700）大小的三维0数组
    sh=700/height
    sw=700/width
    for i in range(700):
        for j in range(700):
            x=int(i/sh)
            y=int(j/sw)
            empty[i,j]=img[x,y]
    return empty
img=cv2.imread(r'C:\Users\ZFG\PycharmProjects\Lenet_test\test.jpg')
cv2.imshow('origin',img)
zoom=function(img)
cv2.imshow('bigger1',zoom)
cv2.waitKey(0)
最后结果如下图所示：  
 优点：算法容易实现，时空复杂度较小，运行较快 
 缺点：放大后轮廓锯齿状较多，效果一般 
双线性插值方法 
代码如下所示可以实现： 
import numpy as np
import cv2
def bilinear_interpolation(img,out):  #out为希望输出大小
    src_h, src_w, channel = img.shape  #获取三通道
    dst_h, dst_w = out[1], out[0]
    if src_h == dst_h and src_w == dst_w:
        return img.copy()
    dst_img = np.zeros((dst_h,dst_w,3),dtype=np.uint8)
    scale_x, scale_y = float(src_w) / dst_w, float(src_h) / dst_h
    for i in range(3):
        for dst_y in range(dst_h):
            for dst_x in range(dst_w):
                # find the origin x and y coordinates of dst image x and y
                # use geometric center symmetry
                # if use direct way, src_x = dst_x * scale_x
                src_x = (dst_x + 0.5) * scale_x - 0.5
                src_y = (dst_y + 0.5) * scale_y - 0.5
                # find the coordinates of the points which will be used to compute the interpolation
                src_x0 = int(np.floor(src_x))
                src_x1 = min(src_x0 + 1 ,src_w - 1)
                src_y0 = int(np.floor(src_y))
                src_y1 = min(src_y0 + 1, src_h - 1)
                # calculate the interpolation
                temp0 = (src_x1 - src_x) * img[src_y0,src_x0,i] + (src_x - src_x0) * img[src_y0,src_x1,i]
                temp1 = (src_x1 - src_x) * img[src_y1,src_x0,i] + (src_x - src_x0) * img[src_y1,src_x1,i]
                dst_img[dst_y,dst_x,i] = int((src_y1 - src_y) * temp0 + (src_y - src_y0) * temp1)
    return dst_img
if __name__ == '__main__':
    img = cv2.imread(r'C:\Users\ZFG\PycharmProjects\Lenet_test\test.jpg')
    cv2.imshow('orinal',img)
    dst = bilinear_interpolation(img,(700,700))
    cv2.imshow('test',dst)
    cv2.waitKey()
最后结果如下图所示：  
 优点：图像几乎不失真，放大后分辨率也非常高 
 缺点：算法不易实现，时空复杂度大，运行很慢，对CPU要求较高，大批处理耗费算力大 
在实际操作中，选用最近邻插值方法和双线性插值方法的时候，不需要这么多源码实现，只需要在resize()的时候调用opencv-cv2的方法就可以实现方法。如resize(img,(700,700),cv2.INTER_NEAREST)为最近邻插值法，resize(img,(700,700),cv2.INTER_LINEAR)为双线性插值法。在实际过程中，需要高分辨率则用双线性插值法，但是这样需要耗费较多CPU，选用最近邻插值法运行很快但是图像有些许失真。所以具体选用哪种方法，根据实际情况衡量好精度和算力。 
 注：由于图片本身分辨率不高，所以看上去可能区别不大，但是对于电脑而言，在进行识别或者分割等操作时，差别还是很大的。 
                            本来 react + vite 用得好好的，前几天看到几只前端在鼓吹 react + nextjs 合流，说什么 nextjs 也支持 spa。 就试着迁移过去，结果把自己坑得七荤八素，最后组件状态保持直接给我劝退了。 spa 是从 ssr 进化出来，但又和 ssr 完全不同的产物。一小撮前端为了实现 seo 优化，逆向退化出 nextjs。 作为远古人，我需要你们逆向退化吗？是 php 实现不了 ssr 还是 python 实现不了 ssr？ 就算 nextjs 比 php 和 python 有优势（如可以和 spa 项目共享一部分界面组件库），也不能把 nextjs 吹得无所不能吧。 这个 nextjs 所谓的 react 的未来，在我看来除了 ssr 简直一无是处。