雙線性插值法原理 python實(shí)現(xiàn)

碼字不易，如果此文對(duì)你有所幫助，請(qǐng)幫忙點(diǎn)贊，感謝！

創(chuàng)新互聯(lián)建站作為成都網(wǎng)站建設(shè)公司，專注網(wǎng)站建設(shè)公司、網(wǎng)站設(shè)計(jì)，有關(guān)成都企業(yè)網(wǎng)站建設(shè)方案、改版、費(fèi)用等問題，行業(yè)涉及房屋鑒定等多個(gè)領(lǐng)域，已為上千家企業(yè)服務(wù)，得到了客戶的尊重與認(rèn)可。

一. 雙線性插值法原理：

? ? ① 何為線性插值？

? ? 插值就是在兩個(gè)數(shù)之間插入一個(gè)數(shù)，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(jì)算目標(biāo)圖（dstImage）的坐標(biāo)點(diǎn)對(duì)應(yīng)原圖（srcImage）中哪個(gè)坐標(biāo)點(diǎn)來填充，計(jì)算公式為：

? ? srcX = dstX * (srcWidth/dstWidth)

? ? srcY = dstY * (srcHeight/dstHeight)

? ? (dstX,dstY)表示目標(biāo)圖像的某個(gè)坐標(biāo)點(diǎn)，(srcX,srcY)表示與之對(duì)應(yīng)的原圖像的坐標(biāo)點(diǎn)。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(gè)公式算出來的 srcX, scrY 有可能是小數(shù)，但是原圖像坐標(biāo)點(diǎn)是不存在小數(shù)的，都是整數(shù)，得想辦法把它轉(zhuǎn)換成整數(shù)才行。

不同插值法的區(qū)別就體現(xiàn)在 srcX, scrY 是小數(shù)時(shí)，怎么將其變成整數(shù)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(shù)。這樣的做法會(huì)導(dǎo)致像素變化不連續(xù)，在目標(biāo)圖像中產(chǎn)生鋸齒邊緣。

雙線性插值（Bilinear Interpolation）：雙線性就是利用與坐標(biāo)軸平行的兩條直線去把小數(shù)坐標(biāo)分解到相鄰的四個(gè)整數(shù)坐標(biāo)點(diǎn)。權(quán)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(gè)點(diǎn)。但是需要注意的是，前面兩種方法能保證兩個(gè)方向的坐標(biāo)權(quán)重和為1，但是雙三次插值不能保證這點(diǎn)，所以可能出現(xiàn)像素值越界的情況，需要截?cái)唷?/p>

? ? ③ 雙線性插值算法原理

假如我們想得到未知函數(shù) f 在點(diǎn) P = (x, y) 的值，假設(shè)我們已知函數(shù) f 在 Q11 = (x1, y1)、Q12 = (x1, y2), Q21 = (x2, y1) 以及 Q22 = (x2, y2) 四個(gè)點(diǎn)的值。最常見的情況，f就是一個(gè)像素點(diǎn)的像素值。首先在 x 方向進(jìn)行線性插值，然后再在 y 方向上進(jìn)行線性插值，最終得到雙線性插值的結(jié)果。

④ 舉例說明

二. python實(shí)現(xiàn)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(shù)

: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(biāo) （i，j）對(duì)應(yīng)至輸入圖片中的最近的四個(gè)點(diǎn)點(diǎn)（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(shí)驗(yàn)結(jié)果：

四. 彩色圖像雙線性插值python實(shí)現(xiàn)

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(shí)驗(yàn)結(jié)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(nèi)容：

? ??

???

python可否用自定義函數(shù)對(duì)數(shù)據(jù)進(jìn)行插值

直接定義a=True/False就行，示例代碼：

#定義布爾值類型參數(shù)a,b，值分別為True,False

a=True

b=False

print a,b

print type(a),type(b)

True False

type 'bool' type 'bool'

Python中的布爾類型：

Python的布爾類型有兩個(gè)值：True和False（注意大小寫要區(qū)分）

python怎樣對(duì)矩陣進(jìn)行插值？

首先需要?jiǎng)?chuàng)建數(shù)組才能對(duì)其進(jìn)行其它操作。

我們可以通過給array函數(shù)傳遞Python的序列對(duì)象創(chuàng)建數(shù)組，如果傳遞的是多層嵌套的序列，將創(chuàng)建多維數(shù)組(下例中的變量c):

a = np.array([1, 2, 3, 4])

b = np.array((5, 6, 7, 8))

c = np.array([[1, 2, 3, 4],[4, 5, 6, 7], [7, 8, 9, 10]])

b

array([5, 6, 7, 8])

c

array([[1, 2, 3, 4],

[4, 5, 6, 7],

[7, 8, 9, 10]])

c.dtype

dtype('int32')

數(shù)組的大小可以通過其shape屬性獲得：

a.shape

(4,)

c.shape