1. 圖像縮放

1.2. 使用命令

import cv2
# 縮放
def resize(img, k, inter):
    res = cv2.resize(img, None, fx=k, fy=k, interpolation=inter)  
    return res

參數(shù)設(shè)定（interpolation）：

0：最近鄰插值

1：雙線性插值

2：基于局部像素的重采樣

3：基于4*4像素鄰域的三次插值

4：基于8*8像素鄰域的Lanczos插值

img_row = cv2.imread(r'picture4.jpg')
cv2.imshow('origin_picture', img_row)
cv2.waitKey(0)
inters = [cv2.INTER_NEAREST, cv2.INTER_LINEAR, cv2.INTER_AREA, cv2.INTER_CUBIC, cv2.INTER_LANCZOS4]
for inter in inters:
    res1 = resize(img_row, 2, inter)
    cv2.imshow('res1', res1)
    cv2.waitKey(0)
    position = 'pic_resize' + '_' + str(inter) + '.jpg'
    cv2.imwrite(position, res1)

1.2. 原理介紹

幾種方法原理簡介：

最近鄰插值：將目標(biāo)圖像中的點對應(yīng)原圖像中最近鄰整數(shù)坐標(biāo)點的像素值雙線性插值：f(x,y)為二元函數(shù)，假設(shè)我們知道f(x0,y0), f(x1,y1),f(x0,y1), f(x1,y0)四個點的值。這四個點確定一個矩形，我們希望通過插值得到矩形內(nèi)任意點的函數(shù)值。于是我們在x方向上進(jìn)行兩次線性插值，y方向上一次線性插值。綜合后得到以下公式：

 局部像素的重采樣：如果放大圖像的比例是整數(shù)倍，與最近鄰插值類似，如果放大的比例不是整數(shù)倍，則會采用線性插值三次插值：給定n+1個點，a=x0<x1 < . . . <xn=b，以及他們的函數(shù)值f (x i) , i = 0 , 1 , 2 , . . . n ，在每個區(qū)間 [ x i , x i + 1 ]上，確定一個三次多項式，每個三次多項式滿足共4n-2個條件，剩余條件由邊界條件確定：

 Lanczos插值：

需要通過計算模板中的權(quán)重信息來計算x對應(yīng)的值。對于一維信息，假如我們輸入的點集為X，那么，Lanczos對應(yīng)有個窗口模板Window，窗口中每個位置的權(quán)重計算如下，通常a取2或者3.根據(jù)計算出來的權(quán)重，然后再根據(jù)x即可求出對應(yīng)的加權(quán)平均：

1.3. 方法比較

速度比較：

效果比較：

最近鄰插值：最簡單，但是邊緣沒有緩慢的過渡區(qū)域，導(dǎo)致放大圖像邊緣容易出現(xiàn)鋸齒雙線性插值：計算較最近鄰復(fù)雜，但是能很好避免邊緣鋸齒的現(xiàn)象區(qū)域重采樣：圖像放大時效果類似于雙線性插值三次插值法：計算較為復(fù)雜，但是具有良好的穩(wěn)定性和平滑性Lanczos插值：計算最為復(fù)雜，效果最好，但是耗時最長1.4. 實驗結(jié)果

最近鄰：

 雙線性：

 基于局部像素的重采樣：

 三次插值法：

 Lanczos插值法：

2. 旋轉(zhuǎn)

2.1. 使用命令

import imutils
 
# 旋轉(zhuǎn)
def rotate(img, angle):
    res = imutils.rotate_bound(img, angle)
    return res
 
img_row = cv2.imread(r'picture4.jpg')
res2 = rotate(img_row, 45)
cv2.imshow('res2', res2)
cv2.waitKey(0)
cv2.imwrite(r'pic_rotate.jpg', res2)

2.2. 實驗效果

總結(jié)

到此這篇關(guān)于Python實現(xiàn)簡單圖像縮放與旋轉(zhuǎn)的文章就介紹到這了,更多相關(guān)Python圖像縮放與旋轉(zhuǎn)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！