基于Python實(shí)現(xiàn)二維圖像雙線性插值
在對(duì)二維數(shù)據(jù)進(jìn)行 resize / mapping / 坐標(biāo)轉(zhuǎn)換等操作時(shí)，經(jīng)常會(huì)將原本的整數(shù)坐標(biāo)變換為小數(shù)坐標(biāo)，對(duì)于非整數(shù)的坐標(biāo)值一種直觀有效的插值方式為雙線性插值。
插值簡(jiǎn)介
雙線性插值，又稱為雙線性內(nèi)插。在數(shù)學(xué)上，雙線性插值是有兩個(gè)變量的插值函數(shù)的線性插值擴(kuò)展，其核心思想是在兩個(gè)方向分別進(jìn)行一次線性插值。
雙線性插值作為數(shù)值分析中的一種插值算法，廣泛應(yīng)用在信號(hào)處理，數(shù)字圖像和視頻處理等方面。
假設(shè)我們出現(xiàn)了需要在四個(gè)相鄰正方形整數(shù)點(diǎn)(A,B,C,D)坐標(biāo)中間（正方形范圍內(nèi)）選擇一個(gè)點(diǎn)(a,b)取近似值的情形。
此時(shí)我們已知的是四個(gè)點(diǎn)的數(shù)值VA?,VB?,VC?,VD?，給定小數(shù)坐標(biāo)E(a,b),0≤a,b≤1，如何插值求解E點(diǎn)的數(shù)值呢，解決類似問(wèn)題的方法統(tǒng)稱為插值，上圖展示公式為雙線性插值的計(jì)算方法。
最近鄰法 (Nearest Interpolation)
一種最簡(jiǎn)便的方法為最近鄰法，直接取與當(dāng)前點(diǎn)距離最近的點(diǎn)的值作為插值結(jié)果：
其中 roundroundround 為四舍五入的取整操作，方法簡(jiǎn)便速度極快，但往往不夠精細(xì)
雙三次插值 (Bicubic interpolation)
雙三次插值是用原圖像中16(4*4)個(gè)點(diǎn)計(jì)算新圖像中1個(gè)點(diǎn)，效果比較好，但是計(jì)算代價(jià)過(guò)大。
雙線性插值 (Bilinear Interpolation)
使用一個(gè)點(diǎn)進(jìn)行插值過(guò)于粗暴，16個(gè)點(diǎn)又過(guò)于繁瑣，那就使用EEE?點(diǎn)周圍4個(gè)點(diǎn)的數(shù)值來(lái)近似求解，這是一種平衡了計(jì)算代價(jià)和插值效果的折中方案，也是各大變換庫(kù)的默認(rèn)插值操作。
雙線性插值
通過(guò)觀察上述動(dòng)圖（可以動(dòng)手挪一挪）可以清晰地看到，雙線性插值本質(zhì)就是把四個(gè)角落的數(shù)值按照正方形面積的比例線性加權(quán)后的結(jié)果。
好吧一句話已經(jīng)把數(shù)學(xué)的核心部分講完了
那么既然理解了本質(zhì)，數(shù)學(xué)公式就好寫了：
python實(shí)現(xiàn)
在實(shí)現(xiàn)時(shí)當(dāng)然 for 循環(huán)大法可以解決一切問(wèn)題，但總歸是不太優(yōu)雅，我們嘗試使用 numpy 操作完成雙線性插值
假設(shè)原始圖像 image，變換后的小數(shù)坐標(biāo) X 矩陣 x_grid，Y 矩陣 y_grid，那么可以使用如下的 bilinear_by_meshgrid 函數(shù)快速雙線性插值，已經(jīng)處理好了邊界，可以放心使用。
def bilinear_by_meshgrid(image, x_grid, y_grid):
# Ia, Wd Ic, Wb
# (floor_x, floor_y) (ceil_x, floor_y)
#
# (x, y)
#
# Ib , Wc Id, Wa
# (floor_x, ceil_y) (ceil_x, ceil_y)
#
assert image.shape == x_grid.shape == y_grid.shape
assert image.ndim == 2
H, W = image.shape[:2]
floor_x_grid = np.floor(x_grid).astype('int32')
floor_y_grid = np.floor(y_grid).astype('int32')
ceil_x_grid = floor_x_grid + 1
ceil_y_grid = floor_y_grid + 1
if np.max(ceil_x_grid) > W -1 or np.max(ceil_y_grid) > H -1 or np.min(floor_x_grid) < 0 or np.min(floor_y_grid) < 0:
print("Warning: index value out of original matrix, a crop operation will be applied.")
floor_x_grid = np.clip(floor_x_grid, 0, W-1).astype('int32')
ceil_x_grid = np.clip(ceil_x_grid, 0, W-1).astype('int32')
floor_y_grid = np.clip(floor_y_grid, 0, H-1).astype('int32')
ceil_y_grid = np.clip(ceil_y_grid, 0, H-1).astype('int32')
Ia = image[ floor_y_grid, floor_x_grid ]
Ib = image[ ceil_y_grid, floor_x_grid ]
Ic = image[ floor_y_grid, ceil_x_grid ]
Id = image[ ceil_y_grid, ceil_x_grid ]
wa = (ceil_x_grid - x_grid) * (ceil_y_grid - y_grid)
wb = (ceil_x_grid - x_grid) * (y_grid - floor_y_grid)
wc = (x_grid - floor_x_grid) * (ceil_y_grid - y_grid)
wd = (x_grid - floor_x_grid) * (y_grid - floor_y_grid)
assert np.min(wa) >=0 and np.min(wb) >=0 and np.min(wc) >=0 and np.min(wd) >=0
W = wa + wb + wc + wd
assert np.sum(W[:, -1]) + np.sum(W[-1, :]) == 0
wa[:-1, -1] = ceil_y_grid[:-1, -1] - y_grid[:-1, -1]
wb[:-1, -1] = y_grid[:-1, -1] - floor_y_grid[:-1, -1]
wb[-1, :-1] = ceil_x_grid[-1, :-1] - x_grid[-1, :-1]
wd[-1, :-1] = x_grid[-1, :-1] - floor_x_grid[-1, :-1]
wd[-1, -1] = 1
W = wa + wb + wc + wd
assert np.max(W) == np.min(W) == 1
res_image = wa*Ia + wb*Ib + wc*Ic + wd*Id
return res_image該函數(shù)集成在我自己的python庫(kù) mtutils 中，可以通過(guò)：
pip install mtutils
直接安裝，之后可以直接引用：
from mtutils import bilinear_by_meshgrid
以上就是基于Python實(shí)現(xiàn)二維圖像雙線性插值的詳細(xì)內(nèi)容，更多關(guān)于Python雙線性插值的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
Python基于最小二乘法實(shí)現(xiàn)曲線擬合示例
這篇文章主要介紹了Python基于最小二乘法實(shí)現(xiàn)曲線擬合,涉及Python基于numpy及scipy庫(kù)進(jìn)行曲線擬合操作相關(guān)運(yùn)算技巧,需要的朋友可以參考下2018-06-06
使用Python腳本來(lái)控制Windows Azure的簡(jiǎn)單教程
這篇文章主要介紹了使用Python腳本來(lái)控制Windows Azure的簡(jiǎn)單教程,由于微軟官方提供了Python SDK,使得用戶自己用Python控制Azure成為了可能,需要的朋友可以參考下2015-04-04
這篇文章最初發(fā)布的時(shí)候標(biāo)題是“Python的WebSocket編程”，坦白來(lái)說(shuō)有點(diǎn)文不對(duì)題。我們?cè)谶@里打算討論的僅僅是常規(guī)的socket編程。盡管 Web Socket 和常規(guī)sockets有點(diǎn)很相似，但又不是同一個(gè)東西。那我還是希望這篇文章對(duì)你們有點(diǎn)幫助。2015-03-03
Python如何實(shí)現(xiàn)拆分?jǐn)?shù)據(jù)集
這篇文章主要介紹了Python如何實(shí)現(xiàn)拆分?jǐn)?shù)據(jù)集問(wèn)題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-09-09
本文介紹了幾種將Windows上編寫的Python程序遷移到Linux服務(wù)器上的方法,包括使用虛擬環(huán)境和依賴凍結(jié)、容器化技術(shù)（如Docker）、使用Anaconda環(huán)境以及遠(yuǎn)程桌面連接和配置（作為臨時(shí)方案）,通過(guò)這些方法,可以有效地解決環(huán)境搭建和依賴安裝問(wèn)題2025-02-02
報(bào)錯(cuò)No?module?named?numpy問(wèn)題的解決辦法
之前安裝了Python,后來(lái)因?yàn)榫毩?xí)使用Python寫科學(xué)計(jì)算的東西,又安裝了Anaconda,但是安裝Anaconda之后又出現(xiàn)了一個(gè)問(wèn)題,下面這篇文章主要給大家介紹了關(guān)于報(bào)錯(cuò)No?module?named?numpy問(wèn)題的解決辦法,需要的朋友可以參考下2022-08-08
這篇文章主要介紹了Python logging模塊原理解析及應(yīng)用,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2020-08-08
本文主要介紹了如何利用Python的ffmpy庫(kù)實(shí)現(xiàn)提取視頻中的音頻，從而幫助大家更好的理解和學(xué)習(xí)使用python，感興趣的朋友可以了解下2021-11-11
簡(jiǎn)單了解django索引的相關(guān)知識(shí)
這篇文章主要介紹了簡(jiǎn)單了解django索引的相關(guān)知識(shí),文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-07-07
Python如何讀取16進(jìn)制byte數(shù)據(jù)
這篇文章主要介紹了Python如何讀取16進(jìn)制byte數(shù)據(jù)，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2022-05-05