常用插值算法详解插值法公式 _小知识

插值公式(常用插值算法详解)
做图像处理的学生应该经常使用图像缩放。众所周知，当存储图像时，它们实际上是一个矩阵。因此，在缩放图像时，它们是在矩阵上操作的。如果我们想放大图像，我们需要使用过采样算法来扩展矩阵。如果我们想减少图像，我们需要使用欠采样。

文章插图

如上图所示，左图为原始图像矩阵，右图为放大后的图像矩阵，右图中的橙色点代表矩阵放大后插值算法填充的像素值。因此，本文主要讨论如何通过插值算法来填充像素值
相关功能介绍Opencv提供了一个调整大小的函数来调整图像的大小，它提供了几种不同的插值算法，如下图所示

文章插图

这里主要介绍最常用的前5种插值算法，最后两种插值算法主要用于仿射变换。简历。从src转换到dst时，WARP_FILL_OUTLIERS可能会有异常值，通过此设置可以将异常值的像素设置为0 。简历。WARP_INVERSE_MAP是应用于从dst到src的仿射变换的逆变换。有关仿射变换的更多信息，请参考我的上一篇文章来了解仿射变换
插值算法的比较

文章插图

我们通过随机生成一张55的图片，然后通过不同的插值算法放大10倍，来比较最终图片的效果。

文章插图

如果你觉得灰度不方便观察，我们可以通过设置plt.imshow的cmap参数来控制颜色，matplotlib提供了几种不同类型的颜色映射方法
cmap的类别顺序
通常使用单一色调，逐渐增加亮度和颜色，可用于表达有序的信息

文章插图

发散
通过改变两种不同颜色的亮度和饱和度，在中间与不饱和颜色相遇，通常用于绘制关键中间值或数据偏离零的信息

文章插图

循环
改变两种不同颜色的亮度，在中间和开始/结束处遇到不饱和的颜色，并在结束点应用于周围的信息。

文章插图

质量
用于表示没有关系或顺序的信息

文章插图

杂项
同上

文章插图

在这里，为了观察不同插值算法之间的差异，我们可以选择噪声进行观察。在这里，我随机选择了Set1，只是把上面代码中的C资源网络图改成了Set1

文章插图

通过对不同插值算法后的效果图进行初步观察，可以发现最近邻插值和区域插值算法的效果相似，而线性插值、三次样条插值和Lanczos插值的整体效果看起来相似，但细节还是有所不同。接下来，我们将分析这些插值算法。
最近插值(最近插值)最近邻插值，也称为近端插值，是一种简单的一维或多维空多元插值方法。插值是从已知的离散数据点导出新数据点的过程或方法。最近邻插值算法选择最接近数据点的值，完全不考虑其他相邻点的值，从而生成一个分段常数插值值作为数据点的值。

文章插图

如上图所示，黑色表示要插入的值，它会选择最近的P(x+1，y)值作为它的值。
如果四个点的距离相等，如何选择最近邻插值？

文章插图

从上图不难发现，当插入的值等于全部四个点时，会选择最接近左上角的值，即
因为图像坐标系的原点在左上角。
线性插值(线性插值)这里的线性插值实际上是指双线性插值，这个插值算法也是resize函数中使用的默认插值算法。
双线性插值，也称为双线性插值。双线插值是二维坐标系下线性插值的扩展，用于插值二元函数。它的核心思想是在两个方向上执行一次线性插值。为了帮助大家更好地理解双线性插值算法，我们先来看看线性插值
。假设我们知道坐标(x0，y0)和(x1，y1)，我们想得到区间[x0，x1]中任意位置X对应的Y的值，如下图所示