碼字不易，如果此文對你有所幫助，請幫忙點贊，感謝！
創(chuàng)新互聯(lián)制作網站網頁找三站合一網站制作公司,專注于網頁設計,網站設計制作、網站設計,網站設計,企業(yè)網站搭建,網站開發(fā),建網站業(yè)務,680元做網站,已為上千余家服務,創(chuàng)新互聯(lián)網站建設將一如既往的為我們的客戶提供最優(yōu)質的網站建設、網絡營銷推廣服務!
一. 雙線性插值法原理：
? ? ① 何為線性插值？
? ? 插值就是在兩個數之間插入一個數，線性插值原理圖如下：
? ? ② 各種插值法：
? ? 插值法的第一步都是相同的，計算目標圖（dstImage）的坐標點對應原圖（srcImage）中哪個坐標點來填充，計算公式為：
? ? srcX = dstX * (srcWidth/dstWidth)
? ? srcY = dstY * (srcHeight/dstHeight)
? ? (dstX,dstY)表示目標圖像的某個坐標點，(srcX,srcY)表示與之對應的原圖像的坐標點。srcWidth/dstWidth 和 srcHeight/dstHeight 分別表示寬和高的放縮比。
? ? 那么問題來了，通過這個公式算出來的 srcX, scrY 有可能是小數，但是原圖像坐標點是不存在小數的，都是整數，得想辦法把它轉換成整數才行。
不同插值法的區(qū)別就體現在 srcX, scrY 是小數時，怎么將其變成整數去取原圖像中的像素值。
最近鄰插值（Nearest-neighborInterpolation）：看名字就很直白，四舍五入選取最接近的整數。這樣的做法會導致像素變化不連續(xù)，在目標圖像中產生鋸齒邊緣。
雙線性插值（Bilinear Interpolation）：雙線性就是利用與坐標軸平行的兩條直線去把小數坐標分解到相鄰的四個整數坐標點。權重與距離成反比。
? ??雙三次插值（Bicubic Interpolation）：與雙線性插值類似，只不過用了相鄰的16個點。但是需要注意的是，前面兩種方法能保證兩個方向的坐標權重和為1，但是雙三次插值不能保證這點，所以可能出現像素值越界的情況，需要截斷。
? ? ③ 雙線性插值算法原理
假如我們想得到未知函數 f 在點 P = (x, y) 的值，假設我們已知函數 f 在 Q11 = (x1, y1)、Q12 = (x1, y2), Q21 = (x2, y1) 以及 Q22 = (x2, y2) 四個點的值。最常見的情況，f就是一個像素點的像素值。首先在 x 方向進行線性插值，然后再在 y 方向上進行線性插值，最終得到雙線性插值的結果。
④ 舉例說明
二. python實現灰度圖像雙線性插值算法：
灰度圖像雙線性插值放大縮小
import numpy as np
import math
import cv2
def double_linear(input_signal, zoom_multiples):
'''
雙線性插值
:param input_signal: 輸入圖像
:param zoom_multiples: 放大倍數
:return: 雙線性插值后的圖像
'''
input_signal_cp = np.copy(input_signal)? # 輸入圖像的副本
input_row, input_col = input_signal_cp.shape # 輸入圖像的尺寸（行、列）
# 輸出圖像的尺寸
output_row = int(input_row * zoom_multiples)
output_col = int(input_col * zoom_multiples)
output_signal = np.zeros((output_row, output_col)) # 輸出圖片
for i in range(output_row):
? ? for j in range(output_col):
? ? ? ? # 輸出圖片中坐標 （i，j）對應至輸入圖片中的最近的四個點點（x1，y1）（x2, y2），（x3， y3），(x4，y4)的均值
? ? ? ? temp_x = i / output_row * input_row
? ? ? ? temp_y = j / output_col * input_col
? ? ? ? x1 = int(temp_x)
? ? ? ? y1 = int(temp_y)
? ? ? ? x2 = x1
? ? ? ? y2 = y1 + 1
? ? ? ? x3 = x1 + 1
? ? ? ? y3 = y1
? ? ? ? x4 = x1 + 1
? ? ? ? y4 = y1 + 1
? ? ? ? u = temp_x - x1
? ? ? ? v = temp_y - y1
? ? ? ? # 防止越界
? ? ? ? if x4 = input_row:
? ? ? ? ? ? x4 = input_row - 1
? ? ? ? ? ? x2 = x4
? ? ? ? ? ? x1 = x4 - 1
? ? ? ? ? ? x3 = x4 - 1
? ? ? ? if y4 = input_col:
? ? ? ? ? ? y4 = input_col - 1
? ? ? ? ? ? y3 = y4
? ? ? ? ? ? y1 = y4 - 1
? ? ? ? ? ? y2 = y4 - 1
? ? ? ? # 插值
? ? ? ? output_signal[i, j] = (1-u)*(1-v)*int(input_signal_cp[x1, y1]) + (1-u)*v*int(input_signal_cp[x2, y2]) + u*(1-v)*int(input_signal_cp[x3, y3]) + u*v*int(input_signal_cp[x4, y4])
return output_signal
# Read image
img = cv2.imread("../paojie_g.jpg",0).astype(np.float)
out = double_linear(img,2).astype(np.uint8)
# Save result
cv2.imshow("result", out)
cv2.imwrite("out.jpg", out)
cv2.waitKey(0)
cv2.destroyAllWindows()
三. 灰度圖像雙線性插值實驗結果：
四. 彩色圖像雙線性插值python實現
def BiLinear_interpolation(img,dstH,dstW):
scrH,scrW,_=img.shape
img=np.pad(img,((0,1),(0,1),(0,0)),'constant')
retimg=np.zeros((dstH,dstW,3),dtype=np.uint8)
for i in range(dstH-1):
? ? for j in range(dstW-1):
? ? ? ? scrx=(i+1)*(scrH/dstH)
? ? ? ? scry=(j+1)*(scrW/dstW)
? ? ? ? x=math.floor(scrx)
? ? ? ? y=math.floor(scry)
? ? ? ? u=scrx-x
? ? ? ? v=scry-y
? ? ? ? retimg[i,j]=(1-u)*(1-v)*img[x,y]+u*(1-v)*img[x+1,y]+(1-u)*v*img[x,y+1]+u*v*img[x+1,y+1]
return retimg
im_path='../paojie.jpg'
image=np.array(Image.open(im_path))
image2=BiLinear_interpolation(image,image.shape[0]*2,image.shape[1]*2)
image2=Image.fromarray(image2.astype('uint8')).convert('RGB')
image2.save('3.png')
五. 彩色圖像雙線性插值實驗結果：
六. 最近鄰插值算法和雙三次插值算法可參考：
① 最近鄰插值算法：
???
? ? ② 雙三次插值算法：
七. 參考內容：
? ??
???
params
就是(5, 5)
(5,) * 2 ,就是2個5的元組,乘號可以理解成相加。"*" * 30就是30個“*"的字符串
*params作為參數，前面的*號就是把params元組分解成元素的意思，這樣就分開成為2個參數了。實際上傳遞給了x，y
于是就執(zhí)行了power（5，5）
匿名函數：使用lambda創(chuàng)建的函數，所謂匿名，意即不再使用def語句這樣標準的形式定義一個函數。
好處：
1、使用Python寫一些執(zhí)行腳本時，使用lambda可以省去定義函數的過程，讓代碼更加精簡。
2、對于一些抽象的，不會別的地方再復用的函數，有時候給函數起個名字也是個難題，使用lambda不需要考慮命名的問題。
3、使用lambda在某些時候讓代碼更容易理解。了解更多python匿名函數相關知識，可以來老男孩教育。
應用場景：經常與一些內置函數相結合使用，比如說map()、filter()、sorted()、reduce()等。
表達式格式：lambda 參數列表：lambda體
__call__
在Python中，函數其實是一個對象：
f = abs
f.__name__
'abs'
f(-123)
由于 f 可以被調用，所以，f 被稱為可調用對象。
所有的函數都是可調用對象。
一個類實例也可以變成一個可調用對象，只需要實現一個特殊方法__call__()。
我們把 Person 類變成一個可調用對象：
class Person(object):
def __init__(self, name, gender):
self.name = name
self.gender = gender
def __call__(self, friend):
print 'My name is %s...' % self.name
print 'My friend is %s...' % friend
現在可以對 Person 實例直接調用：
p = Person('Bob', 'male')
p('Tim')
My name is Bob...
My friend is Tim...
單看 p('Tim') 你無法確定 p 是一個函數還是一個類實例，所以，在Python中，函數也是對象，對象和函數的區(qū)別并不顯著。
任務
改進一下前面定義的斐波那契數列：
class Fib(object):
???
請加一個__call__方法，讓調用更簡單：
f = Fib()
print f(10)
[0, 1, 1, 2, 3, 5, 8, 13, 21, 34]
重慶分公司
重慶分公司
