网站推广公司电话,合肥制作网站,网站上传完成后要怎么做,网站建设交接清单1、双线性插值概念
双线性插值是一种用于在二维网格上进行插值的方法#xff0c;适用于图像处理、计算机图形学等领域。它通过利用四个邻近点的已知值#xff0c;估算出任意点的值。双线性插值在两个方向#xff08;通常是水平和垂直#xff09;上分别进行线性插值#x…1、双线性插值概念
双线性插值是一种用于在二维网格上进行插值的方法适用于图像处理、计算机图形学等领域。它通过利用四个邻近点的已知值估算出任意点的值。双线性插值在两个方向通常是水平和垂直上分别进行线性插值因此得名“双线性”。双线性插值是一种常用的图像缩放方法它通过在四个最近邻像素之间进行线性插值来计算新的像素值。以下是双线性插值的详细步骤和公式。
双线性插值的步骤
假设我们有一个源图像 I(x, y)目标是将其缩放到一个新的尺寸 (new_width, new_height)。对于目标图像中的每一个像素 (xx, yy)我们需要找到其在源图像中的对应位置并使用双线性插值计算该像素的值。 确定源图像中的坐标 计算目标图像中每个像素 (xx, yy) 对应的源图像坐标 (x, y)。使用缩放比例 xRatio (src_width - 1) / (new_width - 1) 和 yRatio (src_height - 1) / (new_height - 1) 来计算源图像坐标。x floor(xx * xRatio) 和 y floor(yy * yRatio) 得到最接近的左上角像素坐标。x_l 和 y_l 分别是 x 和 y 的整数部分x_h min(x_l 1, src_width - 1) 和 y_h min(y_l 1, src_height - 1) 是右下角的像素坐标。 计算权重 计算小数部分 dx xx * xRatio - x_l 和 dy yy * yRatio - y_l。这些小数部分将用于线性插值。 双线性插值公式 使用四个最近邻像素的值 I(x_l, y_l)、I(x_h, y_l)、I(x_l, y_h) 和 I(x_h, y_h) 进行插值。首先在水平方向上进行线性插值 a I ( x l , y l ) ⋅ ( 1 − d x ) I ( x h , y l ) ⋅ d x a I(x_l, y_l) \cdot (1 - dx) I(x_h, y_l) \cdot dx aI(xl,yl)⋅(1−dx)I(xh,yl)⋅dx b I ( x l , y h ) ⋅ ( 1 − d x ) I ( x h , y h ) ⋅ d x b I(x_l, y_h) \cdot (1 - dx) I(x_h, y_h) \cdot dx bI(xl,yh)⋅(1−dx)I(xh,yh)⋅dx然后在垂直方向上进行线性插值 I ′ ( x x , y y ) a ⋅ ( 1 − d y ) b ⋅ d y I(xx, yy) a \cdot (1 - dy) b \cdot dy I′(xx,yy)a⋅(1−dy)b⋅dy
2、双线性插值实现代码NumPyCV2
2.1 Python代码
提供了3种实现方式for-loop、NumPy广播机制、CV2库函数
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
import time
import cv2#方式1for-loop
def bilinear_resize(img, new_shape):img np.array(img)height, width, depth img.shapenew_height, new_width new_shaperesult np.zeros((new_height, new_width, depth))x_ratio float(width - 1) / new_widthy_ratio float(height - 1) / new_heightfor i in range(new_height):for j in range(new_width):x_l, y_l int(j * x_ratio), int(i * y_ratio)x_h, y_h min(x_l 1, width - 1), min(y_l 1, height - 1)x_weight (j * x_ratio) - x_ly_weight (i * y_ratio) - y_la img[y_l, x_l] * (1 - x_weight) img[y_l, x_h] * x_weightb img[y_h, x_l] * (1 - x_weight) img[y_h, x_h] * x_weightresult[i, j] a * (1 - y_weight) b * y_weightreturn Image.fromarray(np.uint8(result))#方式2NumPy广播机制
def bilinear_resize_numpy(img, new_shape):img np.array(img)height, width, depth img.shapenew_height, new_width new_shape# 计算缩放比例x_ratio float(width - 1) / (new_width - 1) if new_width 1 else 0y_ratio float(height - 1) / (new_height - 1) if new_height 1 else 0# 创建网格坐标x_grid np.linspace(0, width - 1, new_width)y_grid np.linspace(0, height - 1, new_height)# 获取每个新像素点在原图中的位置x_l np.floor(x_grid).astype(int)y_l np.floor(y_grid).astype(int)x_h np.minimum(x_l 1, width - 1)y_h np.minimum(y_l 1, height - 1)# 计算权重x_weight x_grid[:, None] - x_l[:, None]y_weight y_grid[:, None] - y_l[:, None]# 使用numpy索引获取四个邻近像素的值a img[y_l[:, None], x_l].reshape(new_height, new_width, depth)b img[y_l[:, None], x_h].reshape(new_height, new_width, depth)c img[y_h[:, None], x_l].reshape(new_height, new_width, depth)d img[y_h[:, None], x_h].reshape(new_height, new_width, depth)# 调整权重形状以匹配图像数据x_weight x_weight[:, :, None]y_weight y_weight[:, :, None]# 进行双线性插值ab a * (1 - x_weight.transpose((1, 0, 2))) b * x_weight.transpose((1, 0, 2))cd c * (1 - x_weight.transpose((1, 0, 2))) d * x_weight.transpose((1, 0, 2))result ab * (1 - y_weight) cd * y_weightreturn Image.fromarray(np.uint8(result))#方式3CV2库函数
def bilinear_resize_cv2(img, new_shape):# 将PIL图像转换为numpy数组img_array np.array(img)# 计算新的尺寸new_height, new_width new_shape# 使用cv2.resize进行双线性插值start_time time.time()resized_img cv2.resize(img_array, (new_width, new_height), interpolationcv2.INTER_LINEAR)processing_time time.time() - start_timeprint(fOpenCV processing time: {processing_time:.4f} seconds)# 将numpy数组转换回PIL图像并返回return Image.fromarray(resized_img)if __name__ __main__:# 加载图像img_path image.jpgoriginal_img Image.open(img_path)# 设置新的尺寸# new_shape (original_img.size[0] // 2, original_img.size[1] // 2)new_shape (640,640)# 使用for循环遍历处理并计时start_time time.time()resized_img_for_loop bilinear_resize(original_img, new_shape)numpy_time time.time() - start_timeprint(ffor-loop processing time: {numpy_time:.4f} seconds)# 使用NumPy广播机制处理并计时start_time time.time()resized_img_numpy bilinear_resize_numpy(original_img, new_shape)numpy_time time.time() - start_timeprint(fNumPy processing time: {numpy_time:.4f} seconds)# 使用OpenCV处理并计时resized_img_cv2 bilinear_resize_cv2(original_img, new_shape)# 显示结果可选# 创建一个包含三个子图的图形并设置布局fig, axes plt.subplots(1, 3, figsize(15, 5))# 显示第一张图像axes[0].imshow(resized_img_for_loop)axes[0].set_title(Resized with NumPy)axes[0].axis(off)# 显示第二张图像axes[1].imshow(resized_img_numpy)axes[1].set_title(Resized with NumPy (New))axes[1].axis(off)# 显示第三张图像axes[2].imshow(resized_img_cv2)axes[2].set_title(Resized with OpenCV)axes[2].axis(off)# 调整布局以防止重叠plt.tight_layout()# 显示图像plt.show()2.2 运行结果
运行结果耗时对比
for-loop processing time: 3.0354 seconds
NumPy processing time: 0.0666 seconds
OpenCV processing time: 0.0035 seconds可以看出OpenCV处理速度最快。 另外本想尝试支持OpenCL的pyopencl的加速处理但是报了点错就没有放代码。
