DataWhale组队学习Task1-OpenCV框架与图像插值算法

图像插值算法和OpenCV实现

常用插值算法

1.最近邻插值算法

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，$f(P)=f(Q_{11})$

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：
$f(ds{t}_X,ds{t}_Y)=h(\frac{ds{t}_X\ast sr{c}_{width}}{ds{t}_{width}},\frac{ds{t}_Y\ast sr{c}_{height}}{ds{t}_{height}})$
$f(0,0)=h(0,0)$
$f(0,1)=h(0,0.75)=h(0,1)$
$f(0,2)=h(0,1.50)=h(0,2)$
$f(0,3)=h(0,2.25)=h(0,2)$
…

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
原始图片：
大小：200x150

最临近差值放大
500x300

2.双线性差值

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：

$f(x)=a_{1}x+a_0$

$y=y_0+(x-x_0)\frac{y_1-y_0}{x_1-x_0}$=$y_0+\frac{(x-x_0)y_1-(x-x_0)y_0}{x_1-x_0}$
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：

基于opencv的实现

import cv2
img=cv2.imread('./tree.jpg')
cv2.imshow('tree',img)
h,w=img.shape[:2]
img_near=cv2.resize(img,(int(w*1.5),int(h*1.5)),interpolation=cv2.INTER_NEAREST)
cv2.imshow('inter_nearest',img_near)
img_linear=cv2.resize(img,(int(w*1.5),int(h*1.5)),interpolation=cv2.INTER_LINEAR)
cv2.imshow('inter_linear',img_near)
cv2.waitKey()
cv2.destroyAllWindows()

原图：

1.5倍放大，最近邻差值：

1.5倍放大，双线性差值：

这张图感觉差别不大QAQ

参考

https://blog.csdn.net/weixin_39940512/article/details/105343418
https://blog.csdn.net/qq_37577735/article/details/80041586