Opencv 插值方法 总结

一、概括

面试的时候问到了一个图,就是如何将一个算子放缩??我第一反应是resize(),但是后来我转念一想,人家问的是插值方式,今天来总结一下

最邻近插值法原理分析及c++实现_最临近插值法-CSDN博客

我们总常用的插值方式,临近插值 、双线性插值、三次样条插值、拉格朗日插值、多项式、区域插值等

下面我们就一步一步的将其概括出来

二、临近插值

最邻近插值法 : 其核心思想是选取离目标点最近的点作为待插入的新值点

如图:其他的Q12 Q22 Q11  Q21都是已知的像素点,要求插入一个点P

从上图可以看出P到 Q12 最近,那么我就直接将P=Q12

计算两份方向上的缩放后的图像

	int dst_cols = round(src.cols * sx);  // 列  ==x
	int dst_rows = round(src.rows * sy);  // 行==y

有3*3 --》5*5 ,那么我们可以计算P(3,3)

 sx=5/3

那么 new_i=3/sx=round(9/5)=2;

        new_j=3/sy=round(9/5)=2

P(3,3)=src(2,2)=83

 

void NearestInterpolation(cv::Mat& src, cv::Mat& dst, float sx, float sy)
{
	//放大的因子 x,y 方向可能会不一样的
	// 放缩之后的图像的大小
	int dst_cols = round(src.cols * sx);  // 列  ==x
	int dst_rows = round(src.rows * sy);  // 行==y


	dst = cv::Mat(dst_rows, dst_cols, src.type());

	//灰度图像处理
	if (src.channels() == 1)
	{
		for (int i = 0; i < dst.rows; i++)
		{
			for (int j = 0; j < dst.cols; j++)
			{
				//插值计算,取最近值插入到新的图像中
				int i_new = round(i / sy);
				int j_new = round(j / sx);

				if (i_new > src.rows - 1)
				{
					i_new = src.rows - 1;
				}
				if (j_new > src.cols - 1)
				{
					j_new = src.cols - 1;
				}
				dst.at<uchar>(i, j) = src.at<uchar>(i_new, j_new);
			}
		}
	}
	//彩色图像处理
	else {
		for (int i = 0; i < dst.rows; i++)
		{
			for (int j = 0; j < dst.cols; j++)
			{
				int i_new = round(i / sy);
				int j_new = round(j / sx);
				if (i_new > src.rows - 1)
				{
					i_new = src.rows - 1;
				}
				if (j_new > src.cols - 1)
				{
					j_new = src.cols - 1;
				}

				//B
				dst.at<cv::Vec3b>(i, j)[0] = src.at<cv::Vec3b>(i_new, j_new)[0];
				//G
				dst.at<cv::Vec3b>(i, j)[1] = src.at<cv::Vec3b>(i_new, j_new)[1];
				//R
				dst.at<cv::Vec3b>(i, j)[2] = src.at<cv::Vec3b>(i_new, j_new)[2];
			}
		}
	}
}

优点:简单、计算量小。
缺点:效果不好,图像放大后失真现象严重。

 

三、线性插值 

resize() 函数默认的就是双线性插值,

我们先看线性插值:

线性插值:


然后我们将上面的做个变性,就写成了如下:

 双线性插值原理

顾名思义就是做两次线性插值,但是其实是3次

c++ opencv图像双线性插值的应用方法 - 知乎

案例:

 算法流程:

1、先通过每个方向的缩放因子,计算出我们缩放后的图像的大小

2、计算通过新图像的row_new 和col_new 推算出原图像中的四个点 的位置并获得四个点的灰度值

3、通过上面拿到的公式来计算新插入的值

4、计算边界的特殊值


/// <summary>
/// 双线性插值处理
/// </summary>
/// <param name="src"></param>
/// <param name="scale_x"></param>
/// <param name="scale_y"></param>
/// <param name="dst"></param>
void DoubleLineInterpolate(Mat src, double scale_x,double scale_y, Mat& dst)
{
	int result_H = static_cast<int>(src.rows * scale_y);
	int result_W = static_cast<int>(src.cols * scale_x);

	dst = Mat::zeros(cv::Size(result_W, result_H), src.type());

	for (int i = 0; i < dst.rows; i++)
	{
		for (int j = 0; j < dst.cols; j++)
		{
			// 非常重要的一步就是用新的图像来推算出原来图像的四个像素的位置和灰度值
			double before_x = double(j + 0.5) / scale_x - 0.5f;
			double before_y = double(i + 0.5) / scale_y - 0.5;

			int top_y = static_cast<int>(before_y);
			int bottom_y = top_y + 1;
			int left_x = static_cast<int>(before_x);
			int right_x = left_x + 1;


			//计算变换前坐标的小数部分
			double u = before_x - left_x;
			double v = before_y - top_y;

			// 如果计算的原始图像的像素大于真实原始图像尺寸
			if ((top_y >= src.rows - 1) && (left_x >= src.cols - 1))
			{
				//右下角
				dst.at<uchar>(i, j) = (1. - u) * (1. - v) * src.at<uchar>(top_y, left_x);
			}
			else if (top_y >= src.rows - 1)
			{
				//最后一行

					dst.at<uchar>(i, j)
						= (1. - u) * (1. - v) * src.at<uchar>(top_y, left_x)
					+ (1. - v) * u * src.at<uchar>(top_y, right_x);
	
			}
			else if (left_x >= src.cols - 1)
			{
					dst.at<uchar>(i, j)
						= (1. - u) * (1. - v) * src.at<uchar>(top_y, left_x)
						+ (v) * (1. - u) * src.at<uchar>(bottom_y, left_x);
			}
			else
			{
					dst.at<uchar>(i, j)
						= (1. - u) * (1. - v) * src.at<uchar>(top_y, left_x)
						+ (1. - v) * (u)*src.at<uchar>(top_y, right_x)
						+ (v) * (1. - u) * src.at<uchar>(bottom_y, left_x)
						+ (u) * (v)*src.at<uchar>(bottom_y, right_x);
			}

		}
	}  
}

 

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/449909.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

050-WEB攻防-PHP应用文件包含LFIRFI伪协议编码算法无文件利用黑白盒

050-WEB攻防-PHP应用&文件包含&LFI&RFI&伪协议编码算法&无文件利用&黑白盒 #知识点&#xff1a; 1、文件包含-原理&分类&危害-LFI&RFI 2、文件包含-利用-黑白盒&无文件&伪协议 演示案例&#xff1a; ➢文件包含-原理&分类&am…

解决达梦集成 JPA 时表和字段注释注解不生效的问题

前言 最近在做达梦数据库集成 JPA 时&#xff0c;发现使用的表注解和字段注解均未生效&#xff08;MySQL、Oracle、PostgreSQL中均可以在建表时正常生成相应的注释&#xff09;&#xff0c;经过调试发现解决办法也很简单&#xff1a; 自定义方言类继承自org.hibernate.dialect…

vue3 动态路由及使用动态路由后刷新界面出现空白页或者404

最近编写vue3动态路由的功能遇到了一些问题&#xff0c;处理好了&#xff0c;总结出来&#xff0c;希望能帮助到你。正片开始 先写好本地缓存菜单的方法&#xff08;存储、删除、获取&#xff09; // utils/menu.jsconst getMenuList () > {return JSON.parse(localStorag…

C语言——简易版扫雷

目录 前言 ​编辑 游戏规则 游戏结构的分析 游戏的设计 使用多文件的好处有以下几点&#xff1a; 游戏代码实现 框架&#xff08;test.c&#xff09; game函数&#xff08;test.c&#xff09; InitBoard初始化&#xff08;game.c&#xff09; Print打印棋盘&#xff08;g…

【物联网设备端开发】FastBee Arduino固件开发指南

目录 一、收集数据 二、打开FastBeeArduino 源码 三、修改 Config.cpp 文件 四、修改物模型数据 五、小程序配网 本文以 WeMOS D1 R1&#xff08;8266WIFI 模块&#xff09;固件开发为例&#xff0c;实现以下功能&#xff1a; 设备认证设备 Mqtt 交互Wifi 类设备配网 一…

vue学习笔记23-组件事件⭐

组件事件 在组件的模板表达式中&#xff0c;可以直接使用$emit方法触发自定义事件&#xff1b;触发自定义事件的目的是组件之间传递数据 好好好今天又碰到问题了&#xff0c;来吧来吧 测试发现其他项目都可以 正常的run ,就它不行 搜索发现新建项目并进入以后&#xff0c;用指…

搭建mysql主从复制(主主复制)

1&#xff1a;设主库允许远程连接(注意&#xff1a;设置账号密码必须使用的插件是mysql_native_password&#xff0c;其他的会连接失败) #切换到mysql这个数据库&#xff0c;修改user表中的host&#xff0c;使其可以实现远程连接 mysql>use mysql; mysql>update user se…

使用C#创建服务端Web API

前言 C# Web API 是一种基于 .NET 平台&#xff08;包括但不限于.NET Framework 和 .NET Core&#xff09;构建 HTTP 服务的框架&#xff0c;用于创建 RESTful Web 服务。REST&#xff08;Representational State Transfer&#xff09;是一种软件架构风格&#xff0c;它利用HT…

linux中查看目录文件(ls)用法:

查看目录下的文件&#xff1a;ls&#xff08;list&#xff09; 作用 查看目录下的内容 格式 ls -参数 操作对象参数 参数功能-l以长格形式显示文件和目录的详细信息,ls命令默认只显示名称的短格式。-d显示指定目录本身的信息,而不显示目录下的各个文件和子目录的信息。-…

【机器学习】机器学习是什么?用在哪里?怎么用?

1.机器学习是什么&#xff1f; 机器学习&#xff08;Machine Learning&#xff09;是人工智能的一个分支&#xff0c;它是一种通过对数据进行训练和学习&#xff0c;让计算机系统从中获取知识并改善性能的方法。简而言之&#xff0c;机器学习使计算机具有从数据中学习并自动改…

信息系统项目管理师009:消费互联网(1信息化发展—1.3现代化创新发展—1.3.3 消费互联网)

文章目录 1.3.3 消费互联网1.基本属性2.应用新格局 1.3.3 消费互联网 消费互联网是以个人为用户&#xff0c;以日常生活为应用场景的应用形式&#xff0c;满足消费者在互联网中的消费需求而生的互联网类型。消费互联网以消费者为服务中心&#xff0c;针对个人用户提升消费过程的…

机器学习模型—支持向量机 (SVM)

机器学习模型—支持向量机 (SVM) 支持向量机 (SVM) 是一种强大的机器学习算法,用于线性或非线性分类、回归,甚至异常值检测任务。SVM 可用于各种任务,例如文本分类、图像分类、垃圾邮件检测、笔迹识别、基因表达分析、人脸检测和异常检测。SVM 在各种应用中具有适应性和高效…

Github上哪些好用的工具

专注于web漏洞挖掘、内网渗透、免杀和代码审计&#xff0c;感谢各位师傅的关注&#xff01;网安之路漫长&#xff0c;与君共勉&#xff01; Qexo-爱写博客的师傅强烈推荐 漂亮的 Hexo 静态博客编辑器。该项目是基于 Django 的 Hexo 静态博客管理后台&#xff0c;支持文章管理、…

【Linux杂货铺】操作系统

目录 &#x1f308;前言&#x1f308; &#x1f4c1; 冯诺依曼体系结构 &#x1f4c2; 拓展问题&#xff1a;程序为什么要被加载到内存&#xff1f; &#x1f4c2; 主机与主机的交互 &#x1f4c1; 操作系统的概念 &#x1f4c2; 作用 &#x1f4c2; 理解“管理” &#x…

Hadoop学习3:问题解决

文章目录 问题解决1. ERROR: but there is no HDFS_NAMENODE_USER defined2. JAVA_HOME is not set and could not be found.3. Hadoop-DFS页面访问不了4. namenode格式化失败&#xff0c;或者dfs页面打开失败5. ERROR: but there is no YARN_RESOURCEMANAGER_USER defined. Ab…

YOLOv5独家改进:backbone改进 | 最新大卷积核CNN架构UniRepLKNet,ImageNet 88% | CVPR2024

💡💡💡本文独家改进:大核卷积一统多种模态!RepLK正统续作UniRepLKNet,代替YOLOv5 Backbone 改进结构图如下: 收录 YOLOv5原创自研 https://blog.csdn.net/m0_63774211/category_12511931.html 💡💡💡全网独家首发创新(原创),适合paper !!! 💡…

对于双列集合map的学习

双列集合 特点 1.双列集合一次需要存一对数据&#xff0c;分别是键和值。 2.键和值一一对应&#xff0c;键不能重复&#xff0c;值能重复。 3.键值这个整体我们称之为键值对或者键值对对象&#xff0c;在java中叫做Entry对象。 Map的常见API Map是双列集合的顶层接口&…

ChatGLM:基于ChatGLM-6B使用ptuning进行微调,实现类instruction的效果

由于业务需要&#xff0c;调研下怎么训练一个虚拟角色出来&#xff0c;所以找了一些文档参考&#xff0c;其中有一个基于ChatGLM-6B使用ptuning进行微调&#xff0c;实现类instruction的效果的现成的项目&#xff0c;给大家分享下。 一、介绍 由于ChatGLM-6B 不支持instructio…

五子棋小游戏(sut实验报告)

实验目的 实现人与人或人与电脑进行五子棋对弈 实验内容 启动游戏&#xff0c;显示游戏参数设置界面&#xff0c;用户输入参数后进入游戏界面&#xff0c;显示棋盘及双方博弈过程&#xff0c;游戏过程中可选择退出游戏。判定一方获胜后结束本局游戏&#xff0c;可选择继续下…

Qt/QML编程之路:基于QWidget编程及各种2D/3D/PIC绘制的示例(45)

关于使用GWidget,这里有一个示例,看了之后很多图形绘制,控件使用,及最基本的QWidget编程都比较清楚了。ui的绘制: 运行后的界面如 工程中有非常丰富的关于各种图形的绘制,比如上图中circle,还有image。有下面一段readme的说明: # EasyQPainter Various operation pra…