这是一种简单的插值算法：不需要计算，在待求象素的四邻象素中，将距离待求象素最近的邻象素灰度赋给待求象素
设i+u, j+v(i, j为正整数， u, v为大于零小于1的小数，下同)为待求象素坐标，则待求象素灰度的值 f(i+u, j+v)
如下图所示：
如果(i+u, j+v)落在A区，即u<0.5, v<0.5，则将左上角象素的灰度值赋给待求象素，同理，落在B区则赋予右上角的象素灰度值，落在C区则赋予左下角象素的灰度值，落在D区则赋予右下角象素的灰度值。
最邻近元法计算量较小，但可能会造成插值生成的图像灰度上的不连续，在灰度变化的地方可能出现明显的锯齿状。
tf.image.resize_nearest_neighbor(
images,
size,
align_corners=False,
name=None
)
使用最近邻插值调整images为size.
参数：
images：一个Tensor,必须是下列类型之一：int8,uint8,int16,uint16,int32,int64,half,float32,float64.4-D与形状[batch, height, width, channels].
size：2个元素(new_height, new_width)的1维int32张量,表示图像的新大小.
align_corners：可选的bool,默认为False,如果为True,则输入和输出张量的4个角像素的中心对齐,并保留角落像素处的值.
name：操作的名称(可选).
返回：
基本原理
最简单的图像缩放算法就是最近邻插值。顾名思义，就是将目标图像各点的像素值设为源图像中与其最近的点。算法优点在与简单、速度快。
如下图所示，一个4*4的图片缩放为8*8的图片。步骤：
生成一张空白的8*8的图片，然后在缩放位置填充原始图片值(可以这么理解)
在图片的未填充区域(黑色部分)，填充为原有图片最近的位置的像素值。
import cv2
import numpy as np
def nearest_neighbor_resize(image, target_size):
"""
Nearest Neighbour interpolate for RGB image
:param image: rgb image
:param target_size: tuple = (height, width)
:return: None
"""
# 1：按照尺寸创建目标图像
target_image = np.zeros(shape=(*target_size, 3))
# 2:计算height和width的缩放因子
alpha_h = target_size[0] / image.shape[0]
alpha_w = target_size[1] / image.shape[1]
for tar_x in range(target_image.shape[0] - 1):
for tar_y in range(target_image.shape[1] - 1):
# 3:计算目标图像人任一像素点
# target_image[tar_x,tar_y]需要从原始图像
# 的哪个确定的像素点image[src_x, xrc_y]取值
# 也就是计算坐标的映射关系
src_x = round(tar_x / alpha_h)
src_y = round(tar_y / alpha_w)
# 4：对目标图像的任一像素点赋值
target_image[tar_x, tar_y] = image[src_x, src_y]
return target_image
def test():
img_path = 'E:\clcode\PASSRnet-master\PASSRnet-master\hr0.png'
# img_path = '/root/userfolder/cl/PASSRnet-master/PASSRnet-master/hr0.png'
img = cv2.imread(img_path)
print(img.shape)
ret_img = nearest_neighbor_resize(img, (600, 2800))
cv2.imshow("source image", img)
cv2.imshow("after bilinear image", ret_img)
def main():
test()
if __name__ == '__main__':
main()
2.双线性插值
tf.image.resize_bilinear函数
tf.image.resize_bilinear(
images,
size,
align_corners=False,
name=None
)
使用双线性插值调整images为size.
输入图像可以是不同的类型,但输出图像总是浮点型的.
参数：
- images：一个Tensor,必须是下列类型之一：int8,uint8,int16,uint16,int32,int64,bfloat16,half,float32,float64；4维的并且具有形状[batch, height, width, channels].
- size：2个元素(new_height, new_width)的1维int32张量,用来表示图像的新大小.
- align_corners：可选的bool,默认为False；如果为True,则输入和输出张量的4个角像素的中心对齐,并且保留角落像素处的值.
- name：操作的名称(可选).
返回值：
该函数返回float32类型的Tensor.
import cv2
import numpy as np
import tensorflow as tf
img= cv2.imread('./style_imgs/10.png')
cv2.imshow('svf',img)
imgInfo = img.shape
#(height,width,mode) = imgInfo
# dstHeight = int(height/2)
# dstWidth = int(width/2)
# dstImg = np.zeros((dstHeight,dstWidth,3),np.uint8)
print(imgInfo)
# for i in range(0,dstHeight):
# for j in range(0,dstWidth):
# #左上角的点坐标为a和 b
# a = int(i*(height/dstHeight))
# b = int(j*(width/dstWidth))
# rH= i*(height/dstHeight) - a
# rW= j*(width/dstWidth) - b
# dstImg[i,j] = (1-rW)*(1-rH)*img[a,b] + (1-rW)*(rH)*img[a+1,b] + (rW)*(1-rH)*img[a,b+1] + (rW)*(rH)*img[a+1,b+1];
# cv2.imshow('dst',dstImg)
# cv2.waitKey(0)
pytorch torch.nn.functional实现插值和上采样
S = torch.nn.functional.interpolate(L , scale_factor=2, mode='bicubic', align_corners=False)
注意：
使用mode='bicubic'时，可能会导致overshoot问题，即它可以为图像生成负值或大于255的值。
如果你想在显示图像时减少overshoot问题，可以显式地调用result.clamp(min=0,max=255)。
