边缘检测和图像插值（生成皮卡丘的轮廓！&& 放大图片n倍！）
文章目录
- 一、实验介绍
- （1）实验目的
- （2）测试图像
- （3）实验内容
- 二、编写程序实现对图片的边缘检测
- （1）canny边缘检测代码
- （2）结果
- （3）分析
- 三、最近邻插值
- （1）代码
- （2）结果
- 四、双线性插值
- （1）代码
- （2）结果
- 五、双立方插值
- （1）代码
- （2）结果
- 六、结果分析
- 参考
一、实验介绍
（1）实验目的
- 掌握边缘检测和图像插值
- 语言：python
（2）测试图像
（3）实验内容
- 编写程序实现对图片的边缘检测。
- 编写程序实现对图像的插值
二、编写程序实现对图片的边缘检测
（1）canny边缘检测代码
- 编写程序实现线性、高斯核、拉普拉斯核的的SVM分类器设计。
import cv2
img = cv2.imread("picaqu.jpg", 0)
cv2.imwrite("canny.jpg", cv2.Canny(img, 200, 300))
cv2.imshow("canny", cv2.imread("canny.jpg"))
cv2.waitKey()
cv2.destroyAllWindows()
（2）结果
（3）分析
- 可以发现canny边缘检测算子的效果较为不错
三、最近邻插值
- 将图像由500x283增大为2048x1160
（1）代码
import cv2
import numpy as np
IMG_PATH = "./picaqu.jpg"
NUM2 = 2048
NUM1 = int(NUM2 * 283 / 500)
def function(img):
height, width, channels = img.shape
emptyImage = np.zeros((NUM1, NUM2, channels), np.uint8)
sh = NUM1 / height
sw = NUM2 / width
for i in range(NUM1):
for j in range(NUM2):
x = int(i / sh)
y = int(j / sw)
emptyImage[i, j] = img[x, y]
return emptyImage
img = cv2.imread(IMG_PATH)
zoom = function(img)
cv2.imwrite("./nearest neighbor.jpg", zoom)
print('完成')
（2）结果
四、双线性插值
- 将图像由500x283增大为2048x1160
（1）代码
import cv2
import numpy as np
IMG_PATH = "./picaqu.jpg"
NUM2 = 2048
NUM1 = int(NUM2 * 283 / 500)
def function(img):
height, width, channels = img.shape
emptyImage = np.zeros((NUM1, NUM2, channels), np.uint8)
value = [0, 0, 0]
sh = NUM1 / height
sw = NUM2 / width
for i in range(NUM1):
for j in range(NUM2):
x = i / sh
y = j / sw
p = (i + 0.0) / sh - x
q = (j + 0.0) / sw - y
x = int(x) - 1
y = int(y) - 1
for k in range(3):
if x + 1 < NUM1 and y + 1 < NUM2:
value[k] = int(
img[x, y][k] * (1 - p) * (1 - q) + img[x, y + 1][k] * q * (1 - p) + img[x + 1, y][k] * (
1 - q) * p + img[x + 1, y + 1][k] * p * q)
emptyImage[i, j] = (value[0], value[1], value[2])
return emptyImage
img = cv2.imread(IMG_PATH)
zoom = function(img)
cv2.imwrite("./Bilinear Interpolation.jpg", zoom)
# cv2.waitKey(0)
print('完成')
（2）结果
五、双立方插值
- 将图像由500x283增大为2048x1160
（1）代码
import cv2
import numpy as np
IMG_PATH = "./picaqu.jpg"
NUM2 = 2048
NUM1 = int(NUM2 * 283 / 500)
def S(x):
x = np.abs(x)
if 0 <= x < 1:
return 1 - 2 * x * x + x * x * x
if 1 <= x < 2:
return 4 - 8 * x + 5 * x * x - x * x * x
else:
return 0
def function(img, m, n):
height, width, channels = img.shape
emptyImage = np.zeros((m, n, channels), np.uint8)
sh = m / height
sw = n / width
for i in range(m):
for j in range(n):
x = i / sh
y = j / sw
p = (i + 0.0) / sh - x
q = (j + 0.0) / sw - y
x = int(x) - 2
y = int(y) - 2
A = np.array([
[S(1 + p), S(p), S(1 - p), S(2 - p)]
])
if x >= m - 3:
m - 1
if y >= n - 3:
n - 1
if x >= 1 and x <= (m - 3) and y >= 1 and y <= (n - 3):
B = np.array([
[img[x - 1, y - 1], img[x - 1, y],
img[x - 1, y + 1],
img[x - 1, y + 1]],
[img[x, y - 1], img[x, y],
img[x, y + 1], img[x, y + 2]],
[img[x + 1, y - 1], img[x + 1, y],
img[x + 1, y + 1], img[x + 1, y + 2]],
[img[x + 2, y - 1], img[x + 2, y],
img[x + 2, y + 1], img[x + 2, y + 1]],
])
C = np.array([
[S(1 + q)],
[S(q)],
[S(1 - q)],
[S(2 - q)]
])
blue = np.dot(np.dot(A, B[:, :, 0]), C)[0, 0]
green = np.dot(np.dot(A, B[:, :, 1]), C)[0, 0]
red = np.dot(np.dot(A, B[:, :, 2]), C)[0, 0]
# ajust the value to be in [0,255]
def adjust(value):
if value > 255:
value = 255
elif value < 0:
value = 0
return value
blue = adjust(blue)
green = adjust(green)
red = adjust(red)
emptyImage[i, j] = np.array([blue, green, red], dtype=np.uint8)
return emptyImage
img = cv2.imread(IMG_PATH)
zoom = function(img, NUM1, NUM2)
cv2.imwrite("./cubic.jpg", zoom)
print('完成')
（2）结果
六、结果分析
- 使用canny边缘检测算子所得的结果较好，可以看出所有的边缘信息都被检测出来了
- 图像插值算法中，最邻近插值，双线性插值，双三次插值效果都较好，能够很好的放大图像，得到满意的结果
参考
无聊之作-图像插值方法python实现