公司网站建设内容,常德招聘网最新招聘,dede后台做两个网站,室内设计公司排行如有任何问题#xff0c;请联系VX#xff1a;1755337994
前言
图像处理中有三种常用的插值算法#xff1a; 最邻近插值 双线性插值 双立方#xff08;三次卷积#xff09;插值
其中效果最好的是双立方#xff08;三次卷积#xff09;插值#xff0c;本文介绍它的原…如有任何问题请联系VX1755337994
前言
图像处理中有三种常用的插值算法 最邻近插值 双线性插值 双立方三次卷积插值
其中效果最好的是双立方三次卷积插值本文介绍它的原理以及使用
如果想先看效果和源码可以拉到最底部
本文的契机是某次基于canvas做图像处理时发现canvas自带的缩放功能不尽人意于是重温了下几种图像插值算法并整理出来。
为何要进行双立方插值 对图像进行插值的目的是为了获取缩小或放大后的图片 常用的插值算法中双立方插值效果最好 本文中介绍双立方插值的一些数学理论以及实现
双立方和三次卷积只是这个插值算法的两种不同叫法而已可以自行推导会发现最终可以将求值转化为卷积公式
另外像Photoshop等图像处理软件中也有这三种算法的实现
数学理论
双立方插值计算涉及到16个像素点如下图 简单分析如下 其中P00代表目标插值图中的某像素点(x, y)在原图中最接近的映射点 譬如映射到原图中的坐标为(1.1, 1.1)那么P00就是(1, 1) 而最终插值后的图像中的(x, y)处的值即为以上16个像素点的权重卷积之和
下图进一步分析 如下是对图的一些简单分析 譬如计算插值图中(distI, distJ)处像素的值 首先计算它映射到原图中的坐标(i v, j u) 也就是说卷积计算时p00点对应(i, j)坐标 最终插值后的图中(distI, distJ)坐标点对应的值是原图中(i, j)处邻近16个像素点的权重卷积之和 i, j的范围是[i - 1, i 2][j - 1, j 2]
卷积公式 设采样公式为S(x) 原图中每一个(i, j)坐标点的值得表达式为f(i, j) 插值后对应坐标的值为F(i v, j u)这个值会作为(distI, distJ)坐标点的值
那么公式为 等价于(可自行推导) 提示
一定要区分本文中v, u和row, col的对应关系v代表行数偏差u代表列数偏差如果混淆了会造成最终的图像偏差很大
如何理解卷积
这是大学数学内容推荐看看这个答案如何通俗易懂的解释卷积-知乎
采样公式
在卷积公式中有一个S(x)它就是关键的卷积插值公式
不同的公式插值效果会有所差异会导致加权值不一样
本文中采用WIKI-Bicubic interpolation中给出的插值公式 公式中的特点是 S(0) 1 S(n) 0(当n为整数时) 当x超出范围时S(x)为0 当a取不同值时可以用来逼近不同的样条函数常用值-0.5, -0.75
当a取值为-1
公式如下 此时逼近的函数是y sin(x*PI)/(x*PI)如图 当a取值为-0.5
公式如下 此时对应三次Hermite样条 不同a的简单对比 推导
可参考 图像处理一bicubic解释推导 WIKI-Bicubic interpolation
关于网上的一些推导公式奇怪实现
在网上查找了不少相关资料发现有不少文章中都用到了以下这个奇怪的公式譬如百度搜索双立方插值 一般这些文章中都声称这个公式是用来近似y sin(x*PI)/(x)
但事实上进过验证它与y sin(x*PI)/(x)相差甚远如上图中是将sin函数缩放到合理系数后比对
由于类似的文章较多年代都比较久远无从得知最初的来源
可能是某文中漏掉了分母的PI亦或是这个公式只是某文自己实现的一个采样公式与sin无关然后被误传了。
这里都无从考据仅此记录避免疑惑。
另一种基于系数的实现
可以参考图像处理一bicubic解释推导
像这类的实现就是直接计算最原始的系数然后通过16个像素点计算不同系数值最终计算出目标像素
本质是一样的只不过是没有基于最终的卷积方程计算而已也就是说在原始理论阶段没有推成插值公式而是直接解出系数并计算。
代码实现在github项目中可看到参考最后的开源项目
代码实现
以下是JavaScript代码实现的插值核心方程
/*** 采样公式的常数A取值,调整锐化与模糊* -0.5 三次Hermite样条* -0.75 常用值之一* -1 逼近y sin(x*PI)/(x*PI)* -2 常用值之一*/
const A -0.5;function interpolationCalculate(x) {const absX x 0 ? x : -x;const x2 x * x;const x3 absX * x2;if (absX 1) {return 1 - (A 3) * x2 (A 2) * x3;} else if (absX 2) {return -4 * A 8 * A * absX - 5 * A * x2 A * x3;}return 0;
}以上是卷积方程的核心实现。下面则是一套完整的实现
/*** 采样公式的常数A取值,调整锐化与模糊* -0.5 三次Hermite样条* -0.75 常用值之一* -1 逼近y sin(x*PI)/(x*PI)* -2 常用值之一*/
const A -1;function interpolationCalculate(x) {const absX x 0 ? x : -x;const x2 x * x;const x3 absX * x2;if (absX 1) {return 1 - (A 3) * x2 (A 2) * x3;} else if (absX 2) {return -4 * A 8 * A * absX - 5 * A * x2 A * x3;}return 0;
}function getPixelValue(pixelValue) {let newPixelValue pixelValue;newPixelValue Math.min(255, newPixelValue);newPixelValue Math.max(0, newPixelValue);return newPixelValue;
}/*** 获取某行某列的像素对于的rgba值* param {Object} data 图像数据* param {Number} srcWidth 宽度* param {Number} srcHeight 高度* param {Number} row 目标像素的行* param {Number} col 目标像素的列*/
function getRGBAValue(data, srcWidth, srcHeight, row, col) {let newRow row;let newCol col;if (newRow srcHeight) {newRow srcHeight - 1;} else if (newRow 0) {newRow 0;}if (newCol srcWidth) {newCol srcWidth - 1;} else if (newCol 0) {newCol 0;}let newIndex (newRow * srcWidth) newCol;newIndex * 4;return [data[newIndex 0],data[newIndex 1],data[newIndex 2],data[newIndex 3],];
}function scale(data, width, height, newData, newWidth, newHeight) {const dstData newData;// 计算压缩后的缩放比const scaleW newWidth / width;const scaleH newHeight / height;const filter (dstCol, dstRow) {// 源图像中的坐标可能是一个浮点const srcCol Math.min(width - 1, dstCol / scaleW);const srcRow Math.min(height - 1, dstRow / scaleH);const intCol Math.floor(srcCol);const intRow Math.floor(srcRow);// 计算u和vconst u srcCol - intCol;const v srcRow - intRow;// 真实的index因为数组是一维的let dstI (dstRow * newWidth) dstCol;dstI * 4;// 存储灰度值的权重卷积和const rgbaData [0, 0, 0, 0];// 根据数学推导16个点的f1*f2加起来是趋近于1的可能会有浮点误差// 因此就不再单独先加权值再除了// 16个邻近点for (let m -1; m 2; m 1) {for (let n -1; n 2; n 1) {const rgba getRGBAValue(data,width,height,intRow m,intCol n,);// 一定要正确区分 m,n和u,v对应的关系否则会造成图像严重偏差譬如出现噪点等// F(row m, col n)S(m - v)S(n - u)const f1 interpolationCalculate(m - v);const f2 interpolationCalculate(n - u);const weight f1 * f2;rgbaData[0] rgba[0] * weight;rgbaData[1] rgba[1] * weight;rgbaData[2] rgba[2] * weight;rgbaData[3] rgba[3] * weight;}}dstData[dstI 0] getPixelValue(rgbaData[0]);dstData[dstI 1] getPixelValue(rgbaData[1]);dstData[dstI 2] getPixelValue(rgbaData[2]);dstData[dstI 3] getPixelValue(rgbaData[3]);};// 区块for (let col 0; col newWidth; col 1) {for (let row 0; row newHeight; row 1) {filter(col, row);}}
}export default function bicubicInterpolation(imgData, newImgData) {scale(imgData.data,imgData.width,imgData.height,newImgData.data,newImgData.width,newImgData.height);return newImgData;
}运行效果
分别用三种算法对一个图进行放大可以明显的看出双立方插值效果最好
任何程序错误以及技术疑问或需要解答的请添加
