图像的插值算法

最近邻插值

这是一种简单的插值算法：不需要计算，在待求象素的四邻象素中，将距离待求象素最近的邻象素灰度赋给待求象素

设i+u, j+v(i, j为正整数， u, v为大于零小于1的小数，下同)为待求象素坐标，则待求象素灰度的值 f(i+u, j+v)

如下图所示：

如果(i+u, j+v)落在A区，即u<0.5, v<0.5，则将左上角象素的灰度值赋给待求象素，同理，落在B区则赋予右上角的象素灰度值，落在C区则赋予左下角象素的灰度值，落在D区则赋予右下角象素的灰度值。
最邻近元法计算量较小，但可能会造成插值生成的图像灰度上的不连续，在灰度变化的地方可能出现明显的锯齿状。

tf.image.resize_nearest_neighbor(
images,
size,
align_corners=False,
name=None
)

使用最近邻插值调整images为size.

参数：

images：一个Tensor,必须是下列类型之一：int8,uint8,int16,uint16,int32,int64,half,float32,float64.4-D与形状[batch, height, width, channels].
size：2个元素(new_height, new_width)的1维int32张量,表示图像的新大小.
align_corners：可选的bool,默认为False,如果为True,则输入和输出张量的4个角像素的中心对齐,并保留角落像素处的值.
name：操作的名称(可选).
返回：

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：

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)

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。

import cv2
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


def test():
    img_path = 'E:/PycharmProjects/style_transfer2/data/images/neural-style/tim.jpg'
    img = cv2.imread(img_path)

    ret_img = nearest_neighbor_resize(img, 222, 220)

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


def main():
   test()


if __name__ == '__main__':
    main()

2.双线性插值

tf.image.resize_bilinear函数

tf.image.resize_bilinear(
    images,
    size,
    align_corners=False,
    name=None
)

使用双线性插值调整images为size.

输入图像可以是不同的类型,但输出图像总是浮点型的.

参数：

images：一个Tensor,必须是下列类型之一：int8,uint8,int16,uint16,int32,int64,bfloat16,half,float32,float64；4维的并且具有形状[batch, height, width, channels].
size：2个元素(new_height, new_width)的1维int32张量,用来表示图像的新大小.
align_corners：可选的bool,默认为False；如果为True,则输入和输出张量的4个角像素的中心对齐,并且保留角落像素处的值.
name：操作的名称(可选).

返回值：

该函数返回float32类型的Tensor.

import cv2
import numpy as np
import  tensorflow as tf
img= cv2.imread('./style_imgs/10.png')
cv2.imshow('svf',img)
imgInfo = img.shape
#(height,width,mode) = imgInfo
# dstHeight = int(height/2)
# dstWidth = int(width/2)
# dstImg = np.zeros((dstHeight,dstWidth,3),np.uint8)
print(imgInfo)
# for i in range(0,dstHeight):
#     for j in range(0,dstWidth):
#         #左上角的点坐标为a和 b
#         a = int(i*(height/dstHeight))
#         b = int(j*(width/dstWidth))
#         rH= i*(height/dstHeight) - a
#         rW= j*(width/dstWidth) - b
#         dstImg[i,j] = (1-rW)*(1-rH)*img[a,b] + (1-rW)*(rH)*img[a+1,b] + (rW)*(1-rH)*img[a,b+1] + (rW)*(rH)*img[a+1,b+1];
# cv2.imshow('dst',dstImg)
# cv2.waitKey(0)