用最近邻插值(Nearest Neighbor interpolation)进行图片缩放

图片缩放的两种常见算法：

1.     最近邻域内插法(Nearest Neighbor interpolation)
2.     双向性内插法(bilinear interpolation)

本文主要讲述最近邻插值(Nearest Neighbor interpolation算法的原理以及python实现

基本原理

最简单的图像缩放算法就是最近邻插值。顾名思义，就是将目标图像各点的像素值设为源图像中与其最近的点。算法优点在与简单、速度快。

如下图所示，一个4*4的图片缩放为8*8的图片。步骤：

1.     生成一张空白的8*8的图片，然后在缩放位置填充原始图片值(可以这么理解)
2.     在图片的未填充区域(黑色部分)，填充为原有图片最近的位置的像素值。

实现算法：

新图像是原图像的线性映射。

设新图像的坐标为,原图像坐标为，则像素的映射关系是：

转换为矩阵形式为：

所以， 最近邻域内插法进行图像缩放，本质上是一种线性变换。变换矩阵如上。

实现代码：

import cv2
import numpy as np

def nearest_neighbor_resize(img, new_w, new_h):
    # height and width of the input img
    h, w = img.shape[0], img.shape[1]
    # new image with rgb channel
    ret_img = np.zeros(shape=(new_h, new_w, 3), dtype='uint8')
    # scale factor
    s_h, s_c = (h * 1.0) / new_h, (w * 1.0) / new_w

    # insert pixel to the new img
    for i in range(new_h):
        for j in range(new_w):
            p_x = int(j * s_c)
            p_y = int(i * s_h)

            ret_img[i, j] = img[p_y, p_x]

    return ret_img

img_path = './dice.jpg'
img = cv2.imread(img_path)

#ret_img = nearest_neighbor_resize(img, 222, 220)
ret_img = nearest_neighbor_resize(img, 640, 480)

cv2.imshow("source image", img)
cv2.imshow("after bilinear image", ret_img)
cv2.waitKey()
cv2.destroyAllWindows()

 将一个96*96的图像经过算法转换，变成了一张640*480的图像。

放大到1920*1080

缩小，从892*650->96*96

以上介绍的是最邻近域内插法,实际的媒体处理SOC中,VPU(VE),DE(Display Engine),G2D(2D Graphic accelerator)都具备图像缩放的能力,各自实现的算法不同,但都是基于这两种基础算法,比如AW的VPU,基于的就是双线性内插法实现的图片放大缩小.

至于放大出现锯齿,得看你放多大,1.5倍内的图像质量还是有保证的，再大点出现锯齿也不足为奇,缩放比例算法是不限制的. 可以很大,也可以很小,不一定要求倍数比例缩放.缩略图一般有限制,但是视频都是无级缩放.

---

结束！