平时我们写图像处理的代码时，如果需要缩放图片，我们都是直接调用图像库的resize函数来完成图像的缩放。作为一个机器视觉或者图像处理算法的工作者，图像缩放代码的实现应该是必须掌握的。在众多图像缩放算法中，最近邻内插算法和双线性内插算法最为基本和常见，所以这篇文章就说一说如何用c++实现这两种算法下的图像缩放。
最近邻内插
最近邻内插这种算法就是根据原图像和目标图像的尺寸，计算缩放的比例，然后根据缩放比例计算目标像素所依据的原像素，过程中自然会产生小数，这时就采用四舍五入，取与这个点最相近的点，当然向下取整也是可以的。
#include "opencv2/highgui/highgui.hpp"#include "opencv2/imgproc/imgproc.hpp"#includeusing namespace std;void scale(cv::Mat& input_img, int width, int height);int main(){ cv::Mat img = cv::imread("41.png",0); cv::imshow("src", img); scale(img, 450, 300); return 0;}//获取原图相应坐标的像素值uchar get_scale_value(cv::Mat& input_img, int i, int j){ uchar* p = input_img.ptr (i); return p[j]; }void scale(cv::Mat& input_img,int width,int height){ cv::Mat output_img(height, width, CV_8UC1); output_img.setTo(0); float h_scale_rate = (float)input_img.rows/ height; //高的比例 float w_scale_rate = (float)input_img.cols / width; //宽的比例 for (int i = 0; i < height; i++) { uchar* p = output_img.ptr (i); for (int j = 0; j < width; j++) { int i_scale = h_scale_rate * i; //依照高的比例计算原图相应坐标中的x，这里采用的是向下取整，当然四舍五入也可以 int j_scale = w_scale_rate * j; //依照宽的比例计算原图相应坐标中的y //cout << "i_scale: " << i_scale <<" j_scale: "<< j_scale << endl; p[j] = get_scale_value(input_img,i_scale, j_scale); } } cv::imshow("scale", output_img); cv::imwrite("result.png", output_img); cv::waitKey();}
原图
缩放图
最近邻内插算法实现的图像缩放的原理很简单，编码起来也容易，缺点就是得到的图像效果不太好。
双线性内插
对于一个目的像素，设置坐标通过反向变换得到的浮点坐标为(x,y),当然我们也可以将其表示成整数+小数的形式，即(i+u,j+v)，其中i、j均为非负整数，u、v为[0,1)区间的浮点数，则这个像素得值 f(i+u,j+v) 可由原图像中坐标为 (i,j)、(i+1,j)、(i,j+1)、(i+1,j+1)所对应的周围四个像素的值决定，即：
f(i+u,j+v) = (1-u)(1-v)f(i,j) + (1-u)vf(i,j+1) + u(1-v)f(i+1,j) + uvf(i+1,j+1)
双线性内值算法的核心思想就是上面的那个公式，它解释了对于原图不存在的浮点像素（比如<1.5,1.5>）是如何确定其实际值的。其实它是以4个相邻的像素值来共同确定，即<1,1> <2,1> <1,2> <2,2>。谁离<1,1>比较近，谁就对它起的影响比较大，这些都在公式中有所体现，这就是双线性插值的精髓。
#include "opencv2/highgui/highgui.hpp"#include "opencv2/imgproc/imgproc.hpp"#includeusing namespace std;void bin_linear_scale(cv::Mat& input_img, int width, int height);int main(){ cv::Mat img = cv::imread("41.png", 0); cv::imshow("src", img); bin_linear_scale(img, 450, 300); return 0;}//f(i+u,j+v) = (1-u)(1-v)f(i,j) + (1-u)vf(i,j+1) + u(1-v)f(i+1,j) + uvf(i+1,j+1) uchar get_scale_value(cv::Mat& input_img, float raw_i, float raw_j){ int i = raw_i; int j = raw_j; float u = raw_i - i; float v = raw_j - j; //注意处理边界问题，容易越界 if (i + 1 >= input_img.rows || j + 1 >= input_img.cols) { uchar* p = input_img.ptr (i); return p[j]; } uchar* p = input_img.ptr (i); uchar x1 = p[j]; //f(i,j) uchar x2 = p[j + 1]; //f(i,j+1) p = input_img.ptr (i+1); uchar x3 = p[j]; //(i+1,j) uchar x4 = p[j + 1]; //f(i+1,j+1) // printf("%d %d\n", i, j); return ((1-u)*(1-v)*x1+(1-u)*v*x2+u*(1-v)*x3+u*v*x4);} void bin_linear_scale(cv::Mat& input_img, int width, int height){ cv::Mat output_img(height, width, CV_8UC1); output_img.setTo(0); float h_scale_rate = (float)input_img.rows / height; float w_scale_rate = (float)input_img.cols / width; for (int i = 0; i < height; i++) { uchar* p = output_img.ptr (i); for (int j = 0; j < width; j++) { float i_scale = h_scale_rate * i; float j_scale = w_scale_rate * j; //cout << "i_scale: " << i_scale <<" j_scale: "<< j_scale << endl; p[j] = get_scale_value(input_img, i_scale, j_scale); } } cv::imshow("scale", output_img); cv::imwrite("result.png", output_img); cv::waitKey();}
