图像最近邻插值算法

一. 最近邻插值法放大图像：

        最近邻插值法在放大图像时补充的像素是最近邻的像素的值。由于方法简单，所以处理速度很快，但是放大图像画质劣化明显，常常含有锯齿边缘。

最近邻插值法算法原理 ↑

 

---

二. 最近邻插值法算法流程：

        插值法放大图像的第一步都是相同的，计算新图的坐标点像素值对应原图中哪个坐标点的像素值来填充，计算公式为：

        srcX = dstX * (srcWidth/dstWidth)

        srcY = dstY * (srcHeight/dstHeight)

        其中，src表示旧图，dst表示新图。新图的坐标（dstX,dstY）对应于旧图的坐标（srcX,srcY）。 srcWidth/dstWidth 和 srcHeight/dstHeight 分别表示宽和高的放缩比。

        那么问题来了，通过这个公式算出来的 srcX,scrY （旧图坐标）有可能是小数，但是坐标点是不存在小数的，都是整数，得想办法把它转换成整数才行。

        不同插值法的区别就体现在 srcX,scrY 是小数时，怎么变成整数去取原图像中的像素值。

        最近邻插值法：看名字就很直白，四舍五入选取最接近的整数。这样的做法会导致像素的变化不连续，在新图中会产生锯齿。

---

三. 实验 python实现最近邻插值算法

from PIL import Image
import matplotlib.pyplot as plt
import numpy as np 
import math

# 最近邻插值算法
# dstH为新图的高;dstW为新图的宽
def NN_interpolation(img,dstH,dstW):
    scrH,scrW,_=img.shape
    retimg=np.zeros((dstH,dstW,3),dtype=np.uint8)
    for i in range(dstH-1):
        for j in range(dstW-1):
            scrx=round(i*(scrH/dstH))
            scry=round(j*(scrW/dstW))
            retimg[i,j]=img[scrx,scry]
    return retimg

im_path='../paojie.jpg'
image=np.array(Image.open(im_path))

image1=NN_interpolation(image,image.shape[0]*2,image.shape[1]*2)
image1=Image.fromarray(image1.astype('uint8')).convert('RGB')
image1.save('out.png')

 

---

四. 实验结果：

原图 ↑

 

 

最近邻插值后图像 ↑

 

        可以看到新图中产生了锯齿状的边缘。

---

五. 参考内容：

　　https://www.jianshu.com/p/4954643f7514