轉載地址: http://blog.sina.com.cn/s/blog_5e9e98210100vvrx.html
插值算法對於縮放比例較小的情況是完全可以接受的,令人信服的。一般的,縮小0.5倍以上或放大3.0倍以下,對任何圖像都是可以接受的。
最鄰近插值(近鄰取樣法):
最臨近插值的的思想很簡單。對於通過反向變換得到的的一個浮點座標,對其進行簡單的取整,得到一個整數型座標,這個整數型座標對應的像素值就是目的像素的像素值,也就是說,取浮點座標最鄰近的左上角點(對於DIB是右上角,因爲它的掃描行是逆序存儲的)對應的像素值。可見,最鄰近插值簡單且直觀,但得到的圖像質量不高
雙線性內插值:
對於一個目的像素,設置座標通過反向變換得到的浮點座標爲(i+u,j+v),其中i、j均爲非負整數,u、v爲[0,1)區間的浮點數,則這個像素得值 f(i+u,j+v) 可由原圖像中座標爲 (i,j)、(i+1,j)、(i,j+1)、(i+1,j+1)所對應的周圍四個像素的值決定,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)
其中f(i,j)表示源圖像(i,j)處的的像素值,以此類推
這就是雙線性內插值法。雙線性內插值法計算量大,但縮放後圖像質量高,不會出現像素值不連續的的情況。由於雙線性插值具有低通濾波器的性質,使高頻分量受損,所以可能會使圖像輪廓在一定程度上變得模糊
三次卷積法能夠克服以上兩種算法的不足,計算精度高,但計算亮大,他考慮一個浮點座標(i+u,j+v)周圍的16個鄰點,目的像素值f(i+u,j+v)可由如下插值公式得到:
f(i+u,j+v) = [A] * [B] * [C]
[A]=[ S(u + 1) S(u + 0) S(u - 1) S(u - 2) ]
┏ f(i-1, j-1) f(i-1, j+0) f(i-1, j+1) f(i-1, j+2) ┓
[B]=┃ f(i+0, j-1) f(i+0, j+0) f(i+0, j+1) f(i+0, j+2) ┃
┃ f(i+1, j-1) f(i+1, j+0) f(i+1, j+1) f(i+1, j+2) ┃
┗ f(i+2, j-1) f(i+2, j+0) f(i+2, j+1) f(i+2, j+2) ┛
┏ S(v + 1) ┓
[C]=┃ S(v + 0) ┃
┃ S(v - 1) ┃
┗ S(v - 2) ┛
┏ 1-2*Abs(x)^2+Abs(x)^3 , 0<=Abs(x)<1
S(x)={ 4-8*Abs(x)+5*Abs(x)^2-Abs(x)^3 , 1<=Abs(x)<2
┗ 0 , Abs(x)>=2
S(x)是對 Sin(x*Pi)/x 的逼近(Pi是圓周率——π)
最鄰近插值(近鄰取樣法)、雙線性內插值、三次卷積法 等插值算法對於旋轉變換、錯切變換、一般線性變換 和 非線性變換 都適用。
轉載地址 :http://blog.sina.com.cn/s/blog_4718dd930100m9jm.html
三次立方卷積—cubic函數
它計算精度高,但計算量大,它考慮一個浮點座標(i+u,j+v)周圍的16個鄰點,目的像素值f(i+u,j+v)可由如下插值公式得到:
f(i+u,j+v) = [A] * [B] * [C]
[A]=[ S(u + 1) S(u + 0) S(u - 1) S(u - 2) ]
┏ f(i-1, j-1) f(i-1, j+0) f(i-1, j+1) f(i-1, j+2) ┓
[B]=┃ f(i+0, j-1) f(i+0, j+0) f(i+0, j+1) f(i+0, j+2) ┃
┃ f(i+1, j-1) f(i+1, j+0) f(i+1, j+1) f(i+1, j+2) ┃
┗ f(i+2, j-1) f(i+2, j+0) f(i+2, j+1) f(i+2, j+2) ┛
┏ S(v + 1) ┓
[C]=┃ S(v + 0) ┃
┃ S(v - 1) ┃
┗ S(v - 2) ┛
┏ 1-2*Abs(x)^2+Abs(x)^3 , 0 <=Abs(x) <1
S(x)= ┃4-8*Abs(x)+5*Abs(x)^2-Abs(x)^3 , 1 <=Abs(x) <2
┗ 0 , Abs(x)>=2
S(x)是對 Sin(x*Pi)/xPi 的逼近(Pi是圓周率——π)
即對源圖像進行插值擴大。通過上面的算法,將擴大圖像索引到原圖像座標(具體見雙線性插值),尋找到它的領域,即舉證B,再按第一個公式進行計算。但它有個缺點。不能計算圖像的第一行,第一列、最後兩行,與最後兩列進行插值計算,這是由於矩陣B的領域決定的。
這是一種最基本、最簡單的圖像縮放算法,效果也是最不好的,放大後的圖像有很嚴重的馬賽克,縮小後的圖像有很嚴重的失真;效果不好的根源就是其簡單的最臨 近插值方法引入了嚴重的圖像失真,插值公式:
srcX = dstX* (srcWidth/dstWidth) , srcY = dstY * (srcHeight/dstHeight);
例如原圖是3*3大小,插值後變爲4*4大小,按照這個插值公式,目標圖的像素點(1,1)由原圖的
(1*(3/4),1*(3/4))=> (*0.75,0.75)=>(1,1),即有原圖的像素點(1,1)得到。
雙線型內插值算法:
它克服了領近插值算法四捨五入帶來的誤差,充分的利用了源圖中虛擬點四周的四個真實存在的像素值來共同決定目標圖中的一個像素值。
對於一個目的像素,設置座標通過反向變換得到的浮點座標爲(i+u,j+v) (其中i、j均爲浮點座標的整數部分,u、v爲浮點座標的小數部分,是取值[0,1)區間的浮點數),則這個像素得值 f(i+u,j+v) 可由原圖像中座標爲 (i,j)、(i+1,j)、(i,j+1)、(i+1,j+1)所對應的周圍四個像素的值決定,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) 公式1其中,f(i,j)表示源圖像(i,j)處的的像素值,以此類推。
比如,假如像上面例子中,目標圖的象素座標爲(1,1),那麼反推得到的對應於源圖的座標是(0.75 , 0.75), 這其實只是一個概念上的虛擬象素,實際在源圖中並不存在這樣一個象素,那麼目標圖的象素(1,1)的取值不能夠由這個虛擬象素來決定,而只能由源圖的這四 個象素共同決定:(0,0)(0,1)(1,0)(1,1),而由於(0.75,0.75)離(1,1)要更近一些,那麼(1,1)所起的決定作用更大一 些,這從公式1中的係數uv=0.75×0.75就可以體現出來,而(0.75,0.75)離(0,0)最遠,所以(0,0)所起的決定作用就要小一些, 公式中係數爲(1-u)(1-v)=0.25×0.25也體現出了這一特點。