一起养成写作习惯！这是我参与「掘金日新计划 · 4 月更文挑战」的第2天，点击查看活动详情。

1 算法原理

提出此算法的背景是基于图片的缩放，在图片缩放的过程中，实质上就是将原图像像素矩阵像素值，填到目标图像像素矩阵中，目标图像像素矩阵可能比原图像像素矩阵大（图片放大），也可能小（图片缩小）。我们假设图片的宽( $Width$ )和高( $Height$ )是按同比例缩放的，那么

\frac{srcX}{srcWidth}= \frac{dstX}{dstWidth}

\frac{srcY}{srcHeight}=\frac{dstY}{dstHeight}

也就是，给定一个目标图片矩阵在( $dstX$ , $dstY$ )处的坐标，计算出对应缩放前原图像的某点坐标( $srcX$ , $srcY$ )，将后者的像素RGB值填入前者。但在计算中常常遇到算出的( $srcX$ , $srcY$ )为浮点型的情况，如图1。而在像素坐标中，所有的坐标都应该为整型，因此本文的这两个算法就是为了解决浮点型原图像坐标的处理问题。在这里插入图片描述

1.1 最近邻插值

算法思路就是将浮点型坐标用int()强制转换为整型，在图2中，浮点型像素点P的坐标被强制转换成整型后，就转为A点，也即用A点单个点的像素代表目标图像矩阵中某个像素值，算法的优点在于速度快，但从图2中就可以看出此算法的误差很大，容易造成图像缩放失真。

1.2 双线性插值算法

在这里插入图片描述

图2

算法思路是用浮点型像素点P周围相邻的四个像素，如图2中的A、B、C、D四个点像素的加权平均值来表征P的像素。具体的做法是用横轴、纵轴的距离来表示权重，例如： $△x_{P,A}$ = $u$ ， $△y_{P,A}$ = $v$ 。若用f(M)表示M点的像素值，则P点像素中的A像素分量就为

(1-u)(1-v)f(A)

显然，u、v越大，P点离A点的距离就越远；那么(1-u)(1-v)就越小，从而A像素f(A)的权重就越小。根据这个思路，可以写出：

f(M)=(1-u)(1-v)f(A)+u(1-v)f(B)+(1-u)vf(C)+uvf(D)

现在要考虑一个目标图像像素坐标得出过程的问题，正如开头所列写的：

srcX=srcWidth\frac {dstX}{dstWidth}

srcY=srcHeight\frac{dstY}{dstHeight}

如果直接利用这个相似公式，得出的目标图像相对于原图像将不是中心化的，为了说明这一点，假设现在希望将一个5×5的图像缩小为3×3的图像，直接相似关系得出的结果为图3(i)所示，即最右侧和最下侧的像素其实没有参与运算，我们希望得到的图像是如图3(ii)的，这样的放缩才能更多地体现原图像的信息，因此我们需要对放缩公式进行一个补偿修正。

在这里插入图片描述

考虑将一个m×m的像素矩阵放缩为M×M的像素矩阵，原像素矩阵的中心为( $\frac{(m-1)}{2}$ , $\frac{(m-1)}{2}$ )，例如一个5×5矩阵，其中心就为(2,2)，若为偶数阶矩阵，其中心可理解为一个虚拟的浮点数像素。将目标像素矩阵的中心( $\frac{(M-1)}{2}$ , $\frac{(M-1)}{2}$ )代入相似公式，得到(仅列出横坐标，纵坐标同理)：

srcX=\frac{(M-1)}{2}\frac{m}{M}

设置一个误差量：

bias=srcX-\frac{(m-1)}{2}

化简即得：

bias=\frac{1}{2}(1-\frac{m}{M})

因此对相似公式进行修正，得到：

srcX=dstX\frac{srcWidth}{dstWidth}-bias

srcY=dstY\frac{srcHeight}{dstHeight}-bias

这就是中心化公式的由来

2 源码实现

这里仅贴出双线性插值算法的核心代码段：

for i in range(dstHeight):
    for j in range(dstWidth):
        srcX = j*(srcWidth/dstWidth)-bias_Width    
        srcY = i*(srcHeight/dstHeight)-bias_Height
        srcX_0 = int(np.floor(srcX))
        u = np.float(srcX-srcX_0)
        srcX_1 = int(np.ceil(srcX))
        if srcX_1>srcWidth-1:             #消除数组越界问题
            srcX_1 = srcX_1-1
        srcY_0 = int(np.floor(srcY))
        v = srcY-srcY_0
        srcY_1 = int(np.ceil(srcY))
        if srcY_1>srcHeight-1:
            srcY_1 = srcY_1-1
        dstImgInfo[i][j] =(1-u)*(1-v)*img[srcY_0][srcX_0]+u*(1-v)*img[srcY_0][srcX_1]+(1-u)*v*img[srcY_1][srcX_0]+u*v*img[srcY_1][srcX_1]

计算机视觉基础教程大纲

章号                                    内容

0                              色彩空间与数字成像

1                              计算机几何基础

2                              图像增强、滤波、金字塔

3                              图像特征提取

4                              图像特征描述

5                              图像特征匹配

6                              立体视觉

7                              项目实战 更多优质内容和配套代码欢迎来我的AI频道“AI技术社”

计算机视觉教程2-3：图解双线性插值算法&最近邻插值算法

1 算法原理

1.1 最近邻插值

1.2 双线性插值算法

2 源码实现