【1】引言
前序已经学习了常规的图像读取操作和图像保存技巧，相关文章链接为：
python学opencv|读取图像-CSDN博客
python学opencv|读取图像（二）保存彩色图像-CSDN博客
今天我们更近一步，学习放大和缩小图像的技巧，力求掌握cv.resize()函数的用法。
【2】opencv官方教程
点击系下述链接，可以直达官网教程：
OpenCV: Geometric Image Transformations
在官网有很多函数，今天主要学习下述内容：
图1
其实这里讲的比较简单，综合起来就是：
resize(src, dst, dst.size(), fx, fy, interpolation)
src，输入图像，必须有，这是修改大小的初始条件；
dst，输出图像，如果不为0，大小和dsize一致，否则就,通过输入计算fx和fy；输出图像和输入图像的类型一致；
dsize，输出图像的大小，如果=0或者none，就用fx和fy来修改图像；
fx，水平方向放大因子；
fy，竖直方向放大因子；
interpolation，插值方法。
【3】代码测试
在上述基础上，输入以下代码做测试：
import cv2 #引入CV模块
# 读取图片
image = cv2.imread('opencv-picture-001.png')
# 定义放大因子
scale_factor = 2
# 放大图片，使用立方插值
scaled_image = cv2.resize(image, None, fx=scale_factor, fy=scale_factor, interpolation=cv2.INTER_CUBIC) #INTER_CUBIC插值
# 保存结果
cv2.imwrite('scaled_image-22-INTER_CUBIC.png', scaled_image)
# 显示结果
cv2.imshow('Scaled Image', scaled_image)
cv2.waitKey(0)
cv2.destroyAllWindows()在这里，使用的原图像为opencv-picture-001.png：
图2
用了两倍的放大因子：scale_factor=2
使用的插值方法为：cv2.INTER_CUBIC
运行后的输出图像为：
图3
上传网站后好像图2和图3没有区别，我们看一下它们的大小：
图4
可见图3相对于图2确实是分别率扩大了两倍。
【4】插值方法测试
在上述测试案例上，我们获得的放大图像在上传CSDN网站后依然清晰。
实际上改变图像大小有多种插值方法，相关链接为：
OpenCV: Geometric Image Transformations
我们主要研究一下前面三种：
图5
更新插值和保存图像代码为：
# 放大图片，使用不同插值方法
scaled_image = cv2.resize(image, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC) #INTER_CUBIC插值
scaled_image1= cv2.resize(image, None, fx=0.2, fy=2.2, interpolation=cv2.INTER_NEAREST)
scaled_image2= cv2.resize(image, None, fx=0.5, fy=0.5, interpolation=cv2.INTER_LINEAR )
# 保存结果
cv2.imwrite('scaled_image-22-INTER_CUBIC.png', scaled_image)
cv2.imwrite('scaled_image-22-INTER_NEAREST.png', scaled_image1)
cv2.imwrite('scaled_image-22-INTER_LINEAR.png', scaled_image2)
获得的cv2.INTER_NEAREST和cv2.INTER_LINEAR插值图像为：
图6 cv2.INTER_NEAREST
图6是使用NEAREST插值方法，横向缩小为原来的0.2倍，竖向扩大为原来的2.2倍后的效果。
图7 cv2.INTER_LINEAR
图7是使用 LINEAR插值方法，横向和竖向均缩小为原来的0.5倍后的图像。
之后我们继续修改，使图像的放大因子保持一致：
scaled_image = cv2.resize(image, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC) #INTER_CUBIC插值
scaled_image1= cv2.resize(image, None, fx=2, fy=2, interpolation=cv2.INTER_NEAREST)
scaled_image2= cv2.resize(image, None, fx=2, fy=2, interpolation=cv2.INTER_LINEAR )
# 保存结果
cv2.imwrite('scaled_image-220-INTER_CUBIC.png', scaled_image)
cv2.imwrite('scaled_image-220-INTER_NEAREST.png', scaled_image1)
cv2.imwrite('scaled_image-220-INTER_LINEAR.png', scaled_image2)
此时获得的图像为：
图8 从上到下CUBIC-NEAREST-LINEAR
相对来说，CUBIC插值法获得的图像清晰度最好。
此时的完整代码为：
import cv2 #引入CV模块
# 读取图片
image = cv2.imread('opencv-picture-001.png')
# 定义放大因子
scale_factor = 2
# 放大图片，使用不同插值方法
scaled_image = cv2.resize(image, None, fx=2, fy=2, interpolation=cv2.INTER_CUBIC) #INTER_CUBIC插值
scaled_image1= cv2.resize(image, None, fx=2, fy=2, interpolation=cv2.INTER_NEAREST)
scaled_image2= cv2.resize(image, None, fx=2, fy=2, interpolation=cv2.INTER_LINEAR )
# 保存结果
cv2.imwrite('scaled_image-220-INTER_CUBIC.png', scaled_image)
cv2.imwrite('scaled_image-220-INTER_NEAREST.png', scaled_image1)
cv2.imwrite('scaled_image-220-INTER_LINEAR.png', scaled_image2)
# 或者显示结果
cv2.imshow('Scaled Image', scaled_image)
cv2.waitKey(0)
cv2.destroyAllWindows()【5】总结
探索了使用python+opencv放大和缩小图像的方法。
经过对比不同的插值方法，发现CUBIC插值法获得的图像清晰度最好。
