数字图像处理实验记录三(双线性插值和最邻近插值)

news2024/11/29 16:33:07

前言:个人实验记录,仅供学习参考,实验报告别用我图

文章目录

  • 一、基础知识
    • 1,为什么要进行插值:
    • 2,双线性插值原理:
    • 3,最邻近插值:
  • 二、实验要求:
    • 1.分别编程实现最近邻插值和双线性插值。
    • 2.任意读入一幅图像,通过上诉两种插值方法,将图像放大2及2.5倍。
    • 3. 显示结果,并进行比较。
  • 三、实验记录:
    • 1,双线性:
    • 2、最邻近:
    • 3,主程序:
  • 四、结果展示
    • 1,原图:
    • 2,长宽各放大2倍:
    • 3,长宽各放大2.5倍:
  • 五、反思总结与收获
    • 1,注意数据类型
    • 2,比较双线性插值与最邻近插值

一、基础知识

1,为什么要进行插值:

有的时候我们要对图像进行放大,当然这里的放大是指放大图像的尺寸,例如把一个100x100大小的图像放大成200x200大小。其实在计算机里面,这个也就相当于把一个100x100的二维矩阵放大成一个200x200的矩阵。而插值,就是将矩阵上的这些位置填上数。缩小同理。

2,双线性插值原理:

我举例说明,如下图,我们要将下面的3x3矩阵放大成4x4的矩阵,这里算放大后矩阵的(2,2)出值应该是多少。
在这里插入图片描述

1)求出放大后图对应原图的位置:
我们不难得知:缩放图像素位置/对应原图上像素位置 = 缩放图尺寸/原图尺寸 = 缩放比例
于是可以求得:对应原图像素位置 = 缩放图像素位置x(原图尺寸/缩放图尺寸)
在这里插入图片描述

2)公式计算:
这里的i+u,j+v是上面通过计算后的原图的对应像素的横纵坐标。一般这个坐标都不是整数,我们通过matlab中的fix()函数(向下取整)来获取i,j的数据,再带入公式计算
在这里插入图片描述
像上图中的(2,2)位置,通过计算后可以得到它对应原图的下标是(1.5,1.5)。1.5向下取整是1,1.5-1=0.5,u,v都是0.5所以也就变成了:
在这里插入图片描述
等于20.75,也就是我们在缩放图的(2,2)位置插入20.75,由于是图像,我们就要将其转为uint8数据
对图像的缩放就是从它的缩放图上遍历每个像素来插值。

3,最邻近插值:

这个就简单了,先求出缩放图像素的原图对应像素下标,对下标四舍五入,然后将四舍五入后的下标带入原图,插入缩放图像素就行了。

二、实验要求:

1.分别编程实现最近邻插值和双线性插值。

2.任意读入一幅图像,通过上诉两种插值方法,将图像放大2及2.5倍。

3. 显示结果,并进行比较。

三、实验记录:

1,双线性:

双线性插值函数double_line_value():

function [value] = double_line_value(S,i,j,k,maxi,maxj)
%此函数用于算双线性插值
%i,j表示坐标
u = i-fix(i);
i = fix(i);
%这里判断下标是否越界
if i < 1
    i = 1;
elseif i>maxi-1
    i = maxi-1;
end
v = j-fix(j);
j = fix(j);

if j < 1
    j = 1;
elseif j>maxj-1
    j = maxj-1;
end
%公式计算
%这里要注意,S图像里的值都是无符号数,
%要先转变数据类型再算
a = double(S(i,j,k));
b = double(S(i+1,j,k));
c = double(S(i,j+1,k));
d = double(S(i+1,j+1,k));

value = (1-u)*(1-v)*a+u*(1-v)*b+(1-u)*v*c+u*v*d;

end

对整个图像进行双线性插值函数img_to_double_line():

function [S1] = img_to_double_line(S,aim_height,aim_width)
% 这个函数用于对图像进行双线性插值
% 输入 图像S,目标高度,目标宽度
% 输出 图像Sd
[src_height,src_width,src_z] = size(S)
aim_z = src_z;

S1 = -1*ones(aim_height,aim_width,aim_z); %初始化结果图,将其中数据全变为-1
%遍历结果图,进行插值
for z = 1:aim_z
    for aimy = 1:aim_height
        for aimx=1:aim_width
            % 计算原图对应像素下标
            srcx = aimx*(src_width/aim_width);
            srcy = aimy*(src_height/aim_height);
            
            S1(aimy,aimx,z) = double_line_value(S,srcy,srcx,z,src_height,src_width);
        end
    end
end

[h,w,z]=size(S1);
S1 = uint8(S1);% 将其中数据转为uint8类型

end

2、最邻近:

最邻近插值函数recently_value():

function [value] = recently_value(S,i,j,k,maxi,maxj)
%最邻近插值法
%以下为先四舍五入,再插值
i = round(i);
if i < 1
    i = 1;
elseif i>maxi-1
    i = maxi-1;
end
j = round(j);
if j < 1
    j = 1;
elseif j>maxj-1
    j = maxj-1;
end
value = S(i,j,k);

end

对图像进行最邻近插值函数img_to_recently_value():

function [S2] = img_to_recently_value(S,aim_height,aim_width)
% 这个函数用于对图像进行最邻近插值
% 输入 原图片,目标高度,目标宽度
% 输出 图片S2
[src_height,src_width,src_z] = size(S)
aim_z = src_z;
S2 = -1*ones(aim_height,aim_width,aim_z);%初始化矩阵S2
for z = 1:aim_z
    for aimy = 1:aim_height
        for aimx=1:aim_width
            srcx = aimx*(src_width/aim_width);
            srcy = aimy*(src_height/aim_height);
            S2(aimy,aimx,z) = recently_value(S,srcy,srcx,z,src_height,src_width);
        end
    end
end
S2 = uint8(S2);
end

3,主程序:

clc;
clear;
% 实验四,双向线性插值和最邻近插值
S = imread('stone.jpg');
% S = rgb2gray(S);
[src_height,src_width,src_z] = size(S);%获得原图尺寸
figure;
imshow(S);title('原图');
for i=0:0.5:0.5
    c = 2+i;%放大比例
    %对放大后的尺寸四舍五入化为整数
    aim_height = round(c*src_height);
    aim_width = round(c*src_width);
    aim_z = src_z;

    S1 = img_to_double_line(S,aim_height,aim_width);
    S2 = img_to_recently_value(S,aim_height,aim_width);

    figure;
    imshow(S1);title(['双线性插值后图,放大',num2str(c),'倍']);

    figure;
    imshow(S2);title(['最近邻插值后图,放大',num2str(c),'倍']);
end

四、结果展示

1,原图:

在这里插入图片描述

2,长宽各放大2倍:

在这里插入图片描述

3,长宽各放大2.5倍:

在这里插入图片描述

五、反思总结与收获

1,注意数据类型

uint8还是很坑的,当我们进行有小数的运算时,最好将其数据转为double类型,最后再转回来。

2,比较双线性插值与最邻近插值

很明显,最邻近插值实现起来很简单,但是在图像上有边缘锯齿化表现,效果不佳。
双线性插值效果相对来说很好,生成的图像给人一种很圆润,很平滑的感觉。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1111111.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

215. 破译密码 - mobius函数 + 整数分块

215. 破译密码 - AcWing题库 mobius函数&#xff1a; 一个数的分解质因数形式&#xff0c;某一个指数>1为0&#xff0c;质因数为奇数个为-1&#xff0c;偶数个为1 mobius函数可以与容斥结合起来&#xff0c;比如mobius[2] -1, mobius[3] -1, mobius[2 * 3] 1。对应容斥…

硬件系统工程师宝典(44)-----差分信号走线“相位失配”怎么破?

各位同学大家好&#xff0c;欢迎继续做客电子工程学习圈&#xff0c;今天我们继续来讲这本书&#xff0c;硬件系统工程师宝典。 上篇我们说到了PCB在布局时除了要满足结构需求&#xff0c;还要考虑模块划分、特殊器件的布局以及散热问题。今天来说说高速PCB布线的一些注意事项…

2023服务端测试开发必备技能:Mock测试

什么是mock测试 Mock 测试就是在测试活动中&#xff0c;对于某些不容易构造或者不容易获取的数据/场景&#xff0c;用一个Mock对象来创建以便测试的测试方法。 Mock测试常见场景 无法控制第三方系统接口的返回&#xff0c;返回的数据不满足要求依赖的接口还未开发完成&#…

【Docker】Docker里面安装win系统

前端时间还早想着在win上面安装DokerDesktop&#xff0c;处理暂用【Docker】Docker Desktop更换非C盘符(减轻占用率)&#xff0c;这次心想可否反过来呢&#xff1f;就是想在&#xff1a;Docker里面安装win系统 docker pull microsoft/windowsservercoredocker create --name …

Apriori(关联规则挖掘算法)

关联规则分析 事务库 上表所示的购物篮数据即是一个事务库&#xff0c;该事务库记录的是用户行为的数据。 事务 上表事务库中的每一条记录被称为一笔事务。在购物篮事务中&#xff0c;每一次购物行为即为一笔事务&#xff0c;例如第一行数据“用户1购买商品A,B,C”即为一条事…

【MATLAB源码-第51期】基于matlab的粒子群算法(PSO)的栅格地图路径规划。

操作环境&#xff1a; MATLAB 2022a 1、算法描述 粒子群算法&#xff08;Particle Swarm Optimization&#xff0c;简称PSO&#xff09;是一种模拟鸟群觅食行为的启发式优化方法。以下是其详细描述&#xff1a; 基本思想&#xff1a; 鸟群在寻找食物时&#xff0c;每只鸟都会…

完美解决 在将最终稿件上传到 IEEE PDF eXpress进行格式检查是出现“font not embedded“的问题 (不会出现自动压缩图像的现象)

最近中了一篇IEEE的论文&#xff0c;在校稿阶段&#xff0c;final paper是需要通过IEEE PDF eXpress网站的格式检查&#xff0c;然后出现一下问题&#xff1a; Errors: Font TimesNewRomanPS-BoldMT, TimesNewRomanPS-ItalicMT, TimesNewRomanPSMT is not embedded 用人话说就…

贝锐花生壳+Fooocus,快速自建可远程访问的SDXL,平替Midjourney

Midjourney、stable diffusion两款AI绘图工具是最近这段时间的热点。不过&#xff0c;事无完美&#xff0c;他们各有一些优缺点。 例如&#xff1a;stable diffusion虽然开源可私有化部署&#xff0c;但操作相对复杂&#xff0c;需要设置各类参数&#xff1b;Midjourney虽然简单…

轻松实现数据操作:JVS低代码列表页与逻辑联动的解决方案

列表页是用户对数据查询、操作的基础入口&#xff0c;那么按钮对逻辑的联动操作是我们常见的业务形态&#xff0c;那么我们先看一个示例&#xff0c;如下所示&#xff1a; 通过列表页的顶部按钮和行级按钮触发不同的逻辑&#xff0c;对本列表页的数据进行修改&#xff0c;表级按…

自动化测试中如何编写配置文件 ? 该使用什么工具 ? 一文详解使用ConfigParser读写配置文件

1. 配置文件说明 只要是用编写项目&#xff0c;你就肯定离不开配置文件 。就以测试人员编写的自动化测试项目为例 &#xff0c;如果你做连接数据库 、访问一些第三方接口、或者访问登录接口的用户名和密码。这些输入的信息最大特点就是都可能是变量&#xff0c;比如访问数据库…

STM32标准外设库下载(下载地址与步骤详解)

文章目录 1. 概述2. 官方下载地址3. 步骤详解3.1 打开官网3.2 工具与软件 ➡ 嵌入式软件 ➡ MEMS软件3.3 微控制器软件 ➡ STM32微控制器软件 ➡ STM32标准外设软件库 ➡ 选择产品系列3.4 选择版本 ➡ 点击下载3.5 点击“接受” ➡ 填写邮箱信息 ➡ 点击“下载”3.6 点击接收到…

【Django 03】QuerySet 和 Instance应用

1. DRF QuerySet 和 Instance功能概述 1.1 QuerySet 从数据库中查询结果存放的集合称为 QuerySet。 Django ORM用到三个类&#xff1a;Manager、QuerySet、Model。每个Model都有一个默认的 manager实例&#xff0c;名为objects。Django的ORM通过Mode的objects属性提供各种数据…

【Typora】解决单词爆红问题

问题&#xff1a;写笔记时&#xff0c;有许多单词爆红&#xff0c;看着十分不舒服 解决方案&#xff1a; 点击文件 --> 偏好设置 编辑器 --> 检查拼写错误&#xff0c;修改为&#xff1a;不使用拼写检查 修改好后返回界面&#xff0c;效果如下&#xff1a;

基于springboot实现线上教学平台项目【项目源码+论文说明】计算机毕业设计

摘要 在社会快速发展的影响下&#xff0c;使线上教学平台的管理和运营比过去十年更加理性化。依照这一现实为基础&#xff0c;设计一个快捷而又方便的网上线上教学平台系统是一项十分重要并且有价值的事情。对于传统的线上教学平台控制模型来说&#xff0c;网上线上教学平台系…

蓝桥杯(路径 动态规划 C++)

思路&#xff1a; 1、利用动态规划的思想。 2、用f[i]来记录从第一个点到第i个点的最短距离。 3、f[i]赋值分两种情况&#xff0c;第一种&#xff1a;f[i]为0的时候&#xff0c;也就是第一种刚到i点的情况&#xff0c;记录其距离为最小公倍数&#xff1b;第二种&#xff1a;…

原生Android与uniapp开发的H5混合开发

1、uniapp项目打包 vue版本选择2.0 记住一点&#xff0c;打包H5前修改配置&#xff0c;否则在Android中打开会白屏&#xff0c;修改方式如下 打包成H5&#xff0c;打包后可以在浏览器打开确保有内容 2、将打包后的uniappH5拷贝到Android项目 assets文件夹没有就自己建 3、And…

06496基于PHP的在线考试系统设计与实现-计算机毕业设计源码

摘 要 信息化社会内需要与之针对性的信息获取途径&#xff0c;但是途径的扩展基本上为人们所努力的方向&#xff0c;由于站在的角度存在偏差&#xff0c;人们经常能够获得不同类型信息&#xff0c;这也是技术最为难以攻克的课题。针对在线考试等问题&#xff0c;对如何通过计算…

Leetcode.19 删除链表的倒数第 N 个结点

题目链接 Leetcode.19 删除链表的倒数第 N 个结点 mid 题目描述 给你一个链表&#xff0c;删除链表的倒数第 n n n 个结点&#xff0c;并且返回链表的头结点。 示例 1&#xff1a; 输入&#xff1a;head [1,2,3,4,5], n 2 输出&#xff1a;[1,2,3,5] 示例 2&#xff1a; 输…

XAMPP、Apache搭建本地PHP服务器(全网最保姆级)

XAMPP搭建本地PHP服务器 用XAMPP搭建本地PHP服务器&#xff0c;运行php文件 启动服务 打开后进入如下界面&#xff1a;根据自己的需要启动服务 我这里打开的是Apache和MySQL 可以根据自己的习惯修改端口号 默认是8080 我这里修改为80端口 修改监听的端口号 Httpd.conf文件…

【小笔记】为什么文本相似度要用余弦相似度而不用欧式距离?

欧式距离 它计算的是高维空间中两个点之间的绝对距离&#xff0c;不考虑向量的方向性 余弦相似度 它计算的是两个向量夹角的cos值&#xff0c;只关注向量的方向&#xff0c;不考虑向量的绝对大小&#xff08;因为不管长短&#xff0c;都会除以模变成单位向量&#xff09;&am…