雙線性插值法原理 python實(shí)現(xiàn)

碼字不易，如果此文對(duì)你有所幫助，請(qǐng)幫忙點(diǎn)贊，感謝！

網(wǎng)站建設(shè)哪家好，找創(chuàng)新互聯(lián)建站！專注于網(wǎng)頁(yè)設(shè)計(jì)、網(wǎng)站建設(shè)、微信開發(fā)、微信小程序定制開發(fā)、集團(tuán)企業(yè)網(wǎng)站建設(shè)等服務(wù)項(xiàng)目。為回饋新老客戶創(chuàng)新互聯(lián)還提供了恩陽(yáng)免費(fèi)建站歡迎大家使用！

一. 雙線性插值法原理：

? ? ① 何為線性插值？

? ? 插值就是在兩個(gè)數(shù)之間插入一個(gè)數(shù)，線性插值原理圖如下：

? ? ② 各種插值法：

? ? 插值法的第一步都是相同的，計(jì)算目標(biāo)圖（dstImage）的坐標(biāo)點(diǎn)對(duì)應(yīng)原圖（srcImage）中哪個(gè)坐標(biāo)點(diǎn)來填充，計(jì)算公式為：

? ? srcX = dstX * (srcWidth/dstWidth)

? ? srcY = dstY * (srcHeight/dstHeight)

? ? (dstX,dstY)表示目標(biāo)圖像的某個(gè)坐標(biāo)點(diǎn)，(srcX,srcY)表示與之對(duì)應(yīng)的原圖像的坐標(biāo)點(diǎn)。srcWidth/dstWidth 和 srcHeight/dstHeight 分別表示寬和高的放縮比。

? ? 那么問題來了，通過這個(gè)公式算出來的 srcX, scrY 有可能是小數(shù)，但是原圖像坐標(biāo)點(diǎn)是不存在小數(shù)的，都是整數(shù)，得想辦法把它轉(zhuǎn)換成整數(shù)才行。

不同插值法的區(qū)別就體現(xiàn)在 srcX, scrY 是小數(shù)時(shí)，怎么將其變成整數(shù)去取原圖像中的像素值。

最近鄰插值（Nearest-neighborInterpolation）：看名字就很直白，四舍五入選取最接近的整數(shù)。這樣的做法會(huì)導(dǎo)致像素變化不連續(xù)，在目標(biāo)圖像中產(chǎn)生鋸齒邊緣。

雙線性插值（Bilinear Interpolation）：雙線性就是利用與坐標(biāo)軸平行的兩條直線去把小數(shù)坐標(biāo)分解到相鄰的四個(gè)整數(shù)坐標(biāo)點(diǎn)。權(quán)重與距離成反比。

? ??雙三次插值（Bicubic Interpolation）：與雙線性插值類似，只不過用了相鄰的16個(gè)點(diǎn)。但是需要注意的是，前面兩種方法能保證兩個(gè)方向的坐標(biāo)權(quán)重和為1，但是雙三次插值不能保證這點(diǎn)，所以可能出現(xiàn)像素值越界的情況，需要截?cái)唷?/p>

? ? ③ 雙線性插值算法原理

假如我們想得到未知函數(shù) f 在點(diǎn) P = (x, y) 的值，假設(shè)我們已知函數(shù) f 在 Q11 = (x1, y1)、Q12 = (x1, y2), Q21 = (x2, y1) 以及 Q22 = (x2, y2) 四個(gè)點(diǎn)的值。最常見的情況，f就是一個(gè)像素點(diǎn)的像素值。首先在 x 方向進(jìn)行線性插值，然后再在 y 方向上進(jìn)行線性插值，最終得到雙線性插值的結(jié)果。

④ 舉例說明

二. python實(shí)現(xiàn)灰度圖像雙線性插值算法：

灰度圖像雙線性插值放大縮小

import numpy as np

import math

import cv2

def double_linear(input_signal, zoom_multiples):

'''

雙線性插值

:param input_signal: 輸入圖像

:param zoom_multiples: 放大倍數(shù)

:return: 雙線性插值后的圖像

'''

input_signal_cp = np.copy(input_signal)? # 輸入圖像的副本

input_row, input_col = input_signal_cp.shape # 輸入圖像的尺寸（行、列）

# 輸出圖像的尺寸

output_row = int(input_row * zoom_multiples)

output_col = int(input_col * zoom_multiples)

output_signal = np.zeros((output_row, output_col)) # 輸出圖片

for i in range(output_row):

? ? for j in range(output_col):

? ? ? ? # 輸出圖片中坐標(biāo) （i，j）對(duì)應(yīng)至輸入圖片中的最近的四個(gè)點(diǎn)點(diǎn)（x1，y1）（x2, y2），（x3， y3），(x4，y4)的均值

? ? ? ? temp_x = i / output_row * input_row

? ? ? ? temp_y = j / output_col * input_col

? ? ? ? x1 = int(temp_x)

? ? ? ? y1 = int(temp_y)

? ? ? ? x2 = x1

? ? ? ? y2 = y1 + 1

? ? ? ? x3 = x1 + 1

? ? ? ? y3 = y1

? ? ? ? x4 = x1 + 1

? ? ? ? y4 = y1 + 1

? ? ? ? u = temp_x - x1

? ? ? ? v = temp_y - y1

? ? ? ? # 防止越界

? ? ? ? if x4 = input_row:

? ? ? ? ? ? x4 = input_row - 1

? ? ? ? ? ? x2 = x4

? ? ? ? ? ? x1 = x4 - 1

? ? ? ? ? ? x3 = x4 - 1

? ? ? ? if y4 = input_col:

? ? ? ? ? ? y4 = input_col - 1

? ? ? ? ? ? y3 = y4

? ? ? ? ? ? y1 = y4 - 1

? ? ? ? ? ? y2 = y4 - 1

? ? ? ? # 插值

? ? ? ? output_signal[i, j] = (1-u)*(1-v)*int(input_signal_cp[x1, y1]) + (1-u)*v*int(input_signal_cp[x2, y2]) + u*(1-v)*int(input_signal_cp[x3, y3]) + u*v*int(input_signal_cp[x4, y4])

return output_signal

# Read image

img = cv2.imread("../paojie_g.jpg",0).astype(np.float)

out = double_linear(img,2).astype(np.uint8)

# Save result

cv2.imshow("result", out)

cv2.imwrite("out.jpg", out)

cv2.waitKey(0)

cv2.destroyAllWindows()

三. 灰度圖像雙線性插值實(shí)驗(yàn)結(jié)果：

四. 彩色圖像雙線性插值python實(shí)現(xiàn)

def BiLinear_interpolation(img,dstH,dstW):

scrH,scrW,_=img.shape

img=np.pad(img,((0,1),(0,1),(0,0)),'constant')

retimg=np.zeros((dstH,dstW,3),dtype=np.uint8)

for i in range(dstH-1):

? ? for j in range(dstW-1):

? ? ? ? scrx=(i+1)*(scrH/dstH)

? ? ? ? scry=(j+1)*(scrW/dstW)

? ? ? ? x=math.floor(scrx)

? ? ? ? y=math.floor(scry)

? ? ? ? u=scrx-x

? ? ? ? v=scry-y

? ? ? ? retimg[i,j]=(1-u)*(1-v)*img[x,y]+u*(1-v)*img[x+1,y]+(1-u)*v*img[x,y+1]+u*v*img[x+1,y+1]

return retimg

im_path='../paojie.jpg'

image=np.array(Image.open(im_path))

image2=BiLinear_interpolation(image,image.shape[0]*2,image.shape[1]*2)

image2=Image.fromarray(image2.astype('uint8')).convert('RGB')

image2.save('3.png')

五. 彩色圖像雙線性插值實(shí)驗(yàn)結(jié)果：

六. 最近鄰插值算法和雙三次插值算法可參考：

① 最近鄰插值算法：

???

? ? ② 雙三次插值算法：

七. 參考內(nèi)容：

? ??

???

圖像雙三次插值算法原理及python實(shí)現(xiàn)

一. 圖像雙三次插值算法原理：

假設(shè)源圖像 A 大小為 m*n ，縮放后的目標(biāo)圖像 B 的大小為 M*N 。那么根據(jù)比例我們可以得到 B(X,Y) 在 A 上的對(duì)應(yīng)坐標(biāo)為 A(x,y) = A( X*(m/M), Y*(n/N) ) 。在雙線性插值法中，我們選取 A(x,y) 的最近四個(gè)點(diǎn)。而在雙立方插值法中，我們選取的是最近的16個(gè)像素點(diǎn)作為計(jì)算目標(biāo)圖像 B(X,Y) 處像素值的參數(shù)。如圖所示：

如圖所示 P 點(diǎn)就是目標(biāo)圖像 B 在 (X,Y) 處對(duì)應(yīng)于源圖像中的位置，P 的坐標(biāo)位置會(huì)出現(xiàn)小數(shù)部分，所以我們假設(shè) P 的坐標(biāo)為 P(x+u,y+v)，其中 x,y 分別表示整數(shù)部分，u,v 分別表示小數(shù)部分。那么我們就可以得到如圖所示的最近 16 個(gè)像素的位置，在這里用 a(i,j)(i,j=0,1,2,3) 來表示。?

雙立方插值的目的就是通過找到一種關(guān)系，或者說系數(shù)，可以把這 16 個(gè)像素對(duì)于 P 處像素值的影響因子找出來，從而根據(jù)這個(gè)影響因子來獲得目標(biāo)圖像對(duì)應(yīng)點(diǎn)的像素值，達(dá)到圖像縮放的目的。?

? ? BiCubic基函數(shù)形式如下：

二. python實(shí)現(xiàn)雙三次插值算法

from PIL import Image

import numpy as np

import math

# 產(chǎn)生16個(gè)像素點(diǎn)不同的權(quán)重

def BiBubic(x):

x=abs(x)

if x=1:

? ? return 1-2*(x**2)+(x**3)

elif x2:

? ? return 4-8*x+5*(x**2)-(x**3)

else:

? ? return 0

# 雙三次插值算法

# dstH為目標(biāo)圖像的高，dstW為目標(biāo)圖像的寬

def BiCubic_interpolation(img,dstH,dstW):

scrH,scrW,_=img.shape

#img=np.pad(img,((1,3),(1,3),(0,0)),'constant')

retimg=np.zeros((dstH,dstW,3),dtype=np.uint8)

for i in range(dstH):

? ? for j in range(dstW):

? ? ? ? scrx=i*(scrH/dstH)

? ? ? ? scry=j*(scrW/dstW)

? ? ? ? x=math.floor(scrx)

? ? ? ? y=math.floor(scry)

? ? ? ? u=scrx-x

? ? ? ? v=scry-y

? ? ? ? tmp=0

? ? ? ? for ii in range(-1,2):

? ? ? ? ? ? for jj in range(-1,2):

? ? ? ? ? ? ? ? if x+ii0 or y+jj0 or x+ii=scrH or y+jj=scrW:

? ? ? ? ? ? ? ? ? ? continue

? ? ? ? ? ? ? ? tmp+=img[x+ii,y+jj]*BiBubic(ii-u)*BiBubic(jj-v)

? ? ? ? retimg[i,j]=np.clip(tmp,0,255)

return retimg

im_path='../paojie.jpg'

image=np.array(Image.open(im_path))

image2=BiCubic_interpolation(image,image.shape[0]*2,image.shape[1]*2)

image2=Image.fromarray(image2.astype('uint8')).convert('RGB')

image2.save('BiCubic_interpolation.jpg')

三. 實(shí)驗(yàn)結(jié)果：

四. 參考內(nèi)容：

???

???

如何通過python實(shí)現(xiàn)三次樣條插值

spline函數(shù)可以實(shí)現(xiàn)三次樣條插值 x = 0:10; y = sin(x); xx = 0:.25:10; yy = spline(x,y,xx); plot(x,y,'o',xx,yy) 另外fnplt csapi這兩個(gè)函數(shù)也是三次樣條插值函數(shù)，具體你可以help一下！

python線性插值解析

在缺失值填補(bǔ)上如果用前后的均值填補(bǔ)中間的均值， 比如，0，空，1， 我們希望中間填充0.5；或者0，空，空，1，我們希望中間填充0.33，0.67這樣。

可以用pandas的函數(shù)進(jìn)行填充，因?yàn)檫@個(gè)就是線性插值法

df..interpolate()

dd=pd.DataFrame(data=[0,np.nan,np.nan,1])

dd.interpolate()

補(bǔ)充知識(shí)：線性插值公式簡(jiǎn)單推導(dǎo)

以上這篇python線性插值解析就是我分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持。

氣象 python 二維線性插值

scipy.interpolate.griddata(points, values, xi, method='linear', fill_value=nan, rescale=False)

官網(wǎng)：

一維數(shù)組，shape為（n，） ，是需要插值的變量數(shù)據(jù)

如果需要插值的變量var是一個(gè)多維數(shù)組，則需要轉(zhuǎn)換成一維的

方法：var.ravel()

values的坐標(biāo)，shape為（n，D），第一維需要與values長(zhǎng)度相同，

D就是values的坐標(biāo)軸個(gè)數(shù)

如果是在地圖上，D為2，分別是lon、lat，是values中對(duì)應(yīng)的每個(gè)數(shù)據(jù)的lat和lon

插值過后的新的坐標(biāo)，shape為(m, D) ，第二維與points的第二維相同

插值方法，有 ‘linear’, ‘nearest’, ‘cubic’

nearest：返回最接近插值點(diǎn)的數(shù)據(jù)點(diǎn)的值

linear：線性插值

cubic：三次樣條

用于填充輸入點(diǎn)凸包之外的請(qǐng)求點(diǎn)的值。如果未提供，則默認(rèn)值為 nan 。此選項(xiàng)對(duì)‘nearest’ 方法無(wú)效。

在執(zhí)行插值之前將點(diǎn)重新縮放到單位立方體。如果某些輸入維度具有不可比較的單位并且相差許多數(shù)量級(jí)，這將很有用。

python 線性插值

不知道有沒有，可能python數(shù)學(xué)相關(guān)的庫(kù)里會(huì)有吧

不過你寫的也不對(duì)啊，取3個(gè)值，應(yīng)該是4均分。

def?junfen(start,end,num):

k?=?(end?-?start)/(num?+?1)

return?set([start?+?item?*?k?for?item?in?range(1,num?+?1)])

網(wǎng)站名稱：python插值函數(shù)例題 函數(shù)的插值
轉(zhuǎn)載源于：http://www.rwnh.cn/article10/hicigo.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供面包屑導(dǎo)航、網(wǎng)頁(yè)設(shè)計(jì)公司、建站公司、服務(wù)器托管、微信公眾號(hào)、標(biāo)簽優(yōu)化

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)