Image processing(放大缩小)

放大缩小

OpenCV： cv2.resize() 可以通过指定目标图像的大小来进行图像的放大和缩小。

上课方法：

img1 = cv2.imread("ch.jpg",-1)

# 获取行跟列，长跟宽
h,w = img1.shape[:2]  
print(h*3,w*2.8)
# 1:1 
out = cv2.resize(img1,(w,h))  

# resize()
# 指定宽高像素  
out = cv2.resize(img1,(24,50))  

# 按比例(整数）  
out = cv2.resize(img1,(2*w,2*h))  
print(out.shape[:2])  

# 按比例(小数）强制类型转换  
out = cv2.resize(img1,(int(2.5*w),2*h))  
print(out.shape[:2])  

# 按倍数放大，倍数是小数  
out = cv2.resize(img1,None,fx=2.8,fy=3)  
print(out.shape[:2])  
  
cv2.imwrite("out.jpg",out)

补充方法：

PIL/Pillow： Image.resize() 方法也可以用于图像的调整大小。

from PIL import Image  
  
img = Image.open('r-c.jpg')  
  
# 图像放大到原始图像的两倍  
img_resized_big = img.resize((img.width*2,img.height*2))  
  
# # 图像缩小到原始大小的一般  
img_resized_small = img.resize((img.width//2,img.height//2))  
  
img_resized_big.save('r-c-resized-big.jpg')  
img_resized_small.save('r-c-resized-small.jpg')

scipy： scipy.ndimage.zoom() 函数可以进行图像的缩放。

原理： 通过将输入的图片从一个颜色域转换到另一个

设原图 $size = (width_s,height_s)$

目标图片 $size = (width_d,height_d)$

设 size 之比为$P_x,P_y$，则：

$P_x= width_{s}\div height_d$

$P_y=height_{s}\div height_d$

设原图坐标上的像素点 $pixel = (src_x,src_y)$,

目标图片坐标上的像素点为 $pixel = (dst_x,dst_y)$

最近邻插值算法(当参数order=0时)

• 目标图片的坐标点，对应原图哪个坐标点，公式：

$dst_x=P_{x}\times src_x$

$dst_{y}= P_{y}\times strc_y$

• 根据 $dst_x,dst_y$ 的值四舍五入为整数，填充到目标图片的相应位置

通过实验可以看到，经过转换后的图片出现了锯齿感

eg.
n1 = np.array([
	[1,2],
	[3,4]
])

n1 = ndimage.zoom(n1, 2, order = 0)
"""
[[1 1 2 2]
 [1 1 2 2]
 [3 3 4 4]
 [3 3 4 4]]
"""

双线性插值算法(当参数order=1时)

• 计算目标图片的坐标点对应原图中哪个坐标点（此步与最邻近插值算法相同）
• 由于点 $(dst_{x},dst_y)$ 是个浮点数坐标，无法用整型的灰度值或RGB值来表示，因此双线性插值算法通过寻找距离这个对应坐标最近的四个像素点，来计算该点的值（灰度值或RGB值） 设分解后的坐标为：

$Q_{1}= (x_{1},y_1),Q_{2}= (x_{1},y_2),Q_{3}= (x_{2},y_1),Q_{4}= (x_{2},y_2)$

首先，在x方向上进行线性插值，$f(x,y)$ 代表该点的像素值

$f(R_{1})= \frac{x_{2} - dst_x}{x_2-x_{1}}\times f(Q_1)+ \frac{dst_{x}-x_1}{x_2-x_{1}}\times f(Q_3)$$f(R_{2)}= \frac{x_2-dst_x}{x_2-x_{1}}\times f(Q_{2)}+ \frac{dst_x-x_1}{x_2-x_{1}\times}f(Q_4)$

然后，在 y 方向上进行线性插值：

$f(dst_x,dst_y)=\frac{y_2-dst_y}{y_2-y_{1}\times}f(R_{1})+\frac{dst_y-y_1}{y_2-y_{1}}\times f(R_2)$

得到的 $f(dst_x,dst_y)$ 就是该点经过处理后的像素值，填充到目标图片的相应位置

通过实验观察，双线性插值算法的锯齿感要少于最邻近插值法

n1 = np.array([
	[1,2,3],
	[4,5,6],
	[7,8,9]
])

n1 = ndimage.zoom(n1, 2, order = 1)
"""
[[1 1 2 2 3 3]
 [2 3 3 3 4 4]
 [3 4 4 5 5 5]
 [5 5 5 6 6 7]
 [6 6 7 7 7 8]
 [7 7 8 8 9 9]
]
"""

其中需要注意在 zoom() 函数中，当对彩色图像进行缩放时，默认情况下会对每个通道进行相同的缩放操作，从而导致输出的图像形状变为 (height, width, channels * 缩放因子)。

要解决这个问题，您可以分别对每个颜色通道进行缩放，然后重新组合它们，使得输出的图像形状与预期相符。

代码：

import numpy as np  
import matplotlib.pyplot as plt  
from scipy.ndimage import zoom  
from PIL import Image  
  
img = np.array(Image.open('r-c.jpg'))  
  
# 使用zoom()函数对图像进行放大缩小  
# zoom(输入图像数组, 缩放因子, 输出形状, order=1)  
# order参数指定插值方法，默认为3，即双三次插值。这里设置为1，使用双线性插值。  
  
# 分别对每个通道进行缩放  
channel_r = zoom(img[:,:,0], 2, order=1)  
channel_g = zoom(img[:,:,1], 2, order=1)  
channel_b = zoom(img[:,:,2], 2, order=1)  
  
# 重新组合通道  
img_zoomed = np.stack((channel_r, channel_g, channel_b), axis=-1)  
  
plt.imshow(img_zoomed)  
plt.axis('off')  
plt.show()

skimage： scikit-image 库中提供了一些函数，如 skimage.transform.rescale() 和 skimage.transform.resize()，可以实现图像的缩放。

skimage在读使用io.imread读取灰度图像时（as_grey=True / as_gray=True）会做归一化处理数据类型转化为float64；

主要在resize方面，cv2.resize就是单纯调整尺寸，而skimage.transform.resize会顺便把图片的像素归一化缩放到(0,1)区间内；

改变图片尺寸 skimage.transform.resize(image, output_shape)

按比例缩放 skimage.transform.rescale(image, scale[, ...]) scale参数可以是单个float数，表示缩放的倍数，也可以是一个float型的tuple，如[0.2,0.5],表示将行列数分开进行缩放

旋转 skimage.transform.rotate(image, angle[, ...],resize=False)

同样的在 skimage 的 transform.rescale() 函数中，默认情况下会对图像的每个颜色通道进行相同的缩放操作，导致输出的图像形状为 (height, width, channels * scale_factor)。

为了解决这个问题，您可以按照以下步骤分别对每个颜色通道进行缩放，然后重新组合它们以获得正确的图像形状

代码：

import matplotlib.pyplot as plt  
from skimage import io, transform  
import numpy as np  
  
img = io.imread('r-c.jpg')  
  
# 分别对每个通道进行缩放  
channel_r = transform.rescale(img[:,:,0], scale=2, anti_aliasing=True)  
channel_g = transform.rescale(img[:,:,1], scale=2, anti_aliasing=True)  
channel_b = transform.rescale(img[:,:,2], scale=2, anti_aliasing=True)  
  
# 重新组合通道  
img_zoomed = (channel_r[..., np.newaxis], channel_g[..., np.newaxis], channel_b[..., np.newaxis])  
img_zoomed = np.concatenate(img_zoomed, axis=-1)  
  
plt.imshow(img_zoomed)  
plt.axis("off")  
plt.show()