引言：

最近鄰插值Nearest Neighbour Interpolate算法是圖像處理中普遍使用的圖像尺寸縮放算法，由于其實(shí)現(xiàn)簡單計(jì)算速度快的特性深受工程師們的喜愛。

圖像插值技術(shù)是圖像超分辨率領(lǐng)域的重要研究方法之一，其目的是根據(jù)已有的低分辨率圖像（Low Resolution，LR）獲得高分辨率圖像（High Resolution，HR）。

本文一方面對最鄰近插值算法的流程進(jìn)行分析，另一方面借助python實(shí)現(xiàn)基本的最近鄰插值算法。

注：網(wǎng)上的資料有的翻譯是“近鄰”，也有的翻譯是“臨近”。

1、最近鄰插值算法思想

插值的目的是根據(jù)已知的圖像的像素值獲得未知目標(biāo)圖像的像素值，插值變換過程如下圖（PPT畫的背景沒去除）所示：

其中src表示原始圖像，tar表示插值得到的目標(biāo)圖像，H和W分別表示圖像的高度和寬度。插值的核心是找到(tar_x, tar_y)和(src_x, src_y)的映射關(guān)系，從而實(shí)現(xiàn)對目標(biāo)圖像的每一個(gè)像素點(diǎn)進(jìn)行賦值。假設(shè)目的是將原始圖像長度和寬度擴(kuò)大（3，4）倍，即：

ratio_H = tar_H/src_H = tar_x/src_x = 3
ratio_W = tar_W/src_W = tar_y/src_y = 4

通過上式變形，得到目標(biāo)圖像的像素點(diǎn)和原始圖像的像素點(diǎn)映射如下：

tar_x = src_x/ratio_H
tar_y = src_y/ratio_W

知道了像素點(diǎn)之間的映射關(guān)系，實(shí)現(xiàn)算法就很容易了，算法流程如下：

• （1）根據(jù)tar_H和tar_W創(chuàng)建目標(biāo)圖像
• （2）計(jì)算縮放比例因子ratio
• （3）遍歷目標(biāo)圖像每個(gè)像素點(diǎn)，計(jì)算映射關(guān)系
• （4）遍歷目標(biāo)圖像每個(gè)像素點(diǎn)，使用對應(yīng)原始圖像的對應(yīng)像素點(diǎn)對其賦值

2、python實(shí)現(xiàn)最鄰近插值

有了前面的理論分析就很容易實(shí)現(xiàn)了，自己實(shí)現(xiàn)中比較難理解的地方就是“坐標(biāo)變換關(guān)系”！如果是將原始圖像放大整數(shù)倍很容易理解，比如一張?jiān)?0x10圖像放大到目標(biāo)20x20圖像，那么20x20圖像中的任一個(gè)像素點(diǎn)（tar_x,tar_y）的值來自原始10x10圖像的(src_x,src_y)=int(tar_x/2, tar_y/2)，也就是正好是除以2的位置;然而經(jīng)常需要放大的倍數(shù)是小數(shù)倍，比如將10x10放大到15x15，這樣(tar_x,tar_y)的值來自10x10圖像中(src_x, src_y)=int(tar_x/1.5, tar_y/1.5)。

代碼如下：

def nearest(image, target_size):
? ? """
? ? Nearest Neighbour interpolate for RGB ?image
? ??
? ? :param image: rgb image
? ? :param target_size: tuple = (height, width)
? ? :return: None
? ? """
? ? if target_size[0] < image.shape[0] or target_size[1] < image.shape[1]:
? ? ? ? raise ValueError("target image must bigger than input image")
? ? # 1：按照尺寸創(chuàng)建目標(biāo)圖像
? ? target_image = np.zeros(shape=(*target_size, 3))
? ? # 2:計(jì)算height和width的縮放因子
? ? alpha_h = target_size[0]/image.shape[0]
? ? alpha_w = target_size[1]/image.shape[1]

? ? for tar_x in range(target_image.shape[0]-1):
? ? ? ? for tar_y in range(target_image.shape[1]-1):
? ? ? ? ? ? # 3:計(jì)算目標(biāo)圖像人任一像素點(diǎn)
? ? ? ? ? ? # target_image[tar_x,tar_y]需要從原始圖像
? ? ? ? ? ? # 的哪個(gè)確定的像素點(diǎn)image[src_x, xrc_y]取值
? ? ? ? ? ? # 也就是計(jì)算坐標(biāo)的映射關(guān)系
? ? ? ? ? ? src_x = round(tar_x/alpha_h)
? ? ? ? ? ? src_y = round(tar_y/alpha_w)

? ? ? ? ? ? # 4：對目標(biāo)圖像的任一像素點(diǎn)賦值
? ? ? ? ? ? target_image[tar_x, tar_y] = image[src_x, src_y]

? ? return target_image

得到的插值結(jié)果的插值結(jié)果如下：

可以看出插值以后的圖像明顯存在鋸齒效應(yīng)，很多地方出現(xiàn)了“方格”。

到此這篇關(guān)于python實(shí)現(xiàn)圖像最近鄰插值的文章就介紹到這了,更多相關(guān)python圖像鄰插值內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論