图像缩放算法

lantianyu520

上周小胖突然打电话来要我帮忙找找图片缩放的算法，上网查了查，一般采用插值法，有如下几种插值算法：

 

最邻近插值（近邻取样法）：
　 　最临近插值的的思想很简单。对于通过反向变换得到的的一个浮点坐标，对其进行简单的取整，得到一个整数型坐标，这个整数型坐标对应的像素值就是目的像素 的像素值，也就是说，取浮点坐标最邻近的左上角点（对于DIB是右上角，因为它的扫描行是逆序存储的）对应的像素值。可见，最邻近插值简单且直观，但得到 的图像质量不高。

 

双线性内插值：
　 　对于一个目的像素，设置坐标通过反向变换得到的浮点坐标为(i+u,j+v)，其中i、j均为非负整数，u、v为[0,1)区间的浮点数，则这个像素得 值 f(i+u,j+v) 可由原图像中坐标为 (i,j)、(i+1,j)、(i,j+1)、(i+1,j+1)所对应的周围四个像素的值决定，即：

　　　　f(i+u,j+v) = (1-u)(1-v)f(i,j) + (1-u)vf(i,j+1) + u(1-v)f(i+1,j) + uvf(i+1,j+1)

其中f(i,j)表示源图像(i,j)处的的像素值，以此类推
　　这就是双线性内插值法。双线性内插值法计算量大，但缩放后图像质量高，不会出现像素值不连续的的情况。由于双线性插值具有低通滤波器的性质，使高频分量受损，所以可能会使图像轮廓在一定程度上变得模糊

 

　　三次卷积法能够克服以上两种算法的不足，计算精度高，但计算量大，他考虑一个浮点坐标(i+u,j+v)周围的16个邻点，目的像素值f(i+u,j+v)可由如下插值公式得到：

　　　　f(i+u,j+v) = [A] * [B] * [C]

[A]=[ S(u + 1)  S(u + 0)  S(u - 1)  S(u - 2) ]

　　┏ f(i-1, j-1)  f(i-1, j+0)  f(i-1, j+1)  f(i-1, j+2) ┓
[B]=┃ f(i+0, j-1)  f(i+0, j+0)  f(i+0, j+1)  f(i+0, j+2) ┃
　　┃ f(i+1, j-1)  f(i+1, j+0)  f(i+1, j+1)  f(i+1, j+2) ┃
　　┗ f(i+2, j-1)  f(i+2, j+0)  f(i+2, j+1)  f(i+2, j+2) ┛

　　┏ S(v + 1) ┓
[C]=┃ S(v + 0) ┃
　　┃ S(v - 1) ┃
　　┗ S(v - 2) ┛

　　 ┏ 1-2*Abs(x)^2+Abs(x)^3           , 0<=Abs(x)<1
S(x)=｛ 4-8*Abs(x)+5*Abs(x)^2-Abs(x)^3  , 1<=Abs(x)<2
　　 ┗ 0                               , Abs(x)>=2
S(x)是对 Sin(x*Pi)/x 的逼近（Pi是圆周率——π）

 

最邻近插值（近邻取样法）、双线性内插值、三次卷积法 等插值算法对于旋转变换、错切变换、一般线性变换 和 非线性变换 都适用。

补充：
一、对于24位DIB，需要分别对RGB分量进行处理；
二、对于f(x,y)中没有对应值的坐标，应该用最邻近坐标的值（比如f(-1,-1)用f(0,0)的值）。

不好意思上面算法是kiang来的， 不过我还是自己按照以上算法写了一个程序，实现了双线形插值和三次卷积法，从效果来看，的确三次卷积法比线形插值效果清晰，但是计算量相比线形插值来讲要 大得多，800*600图片放大三倍用线形插值只需10来秒，而三次卷积则需要1分多钟。不过程序没有作专门的优化，效率应该还有提高的空间。

有 一个问题是，在选取特定的缩放比例和特定的图片大小时（如800*600，缩放比例1.2，1.4...），缩放后的图片会出现错位，调查发现是由于 bmp图片要求每行必须是4字节对齐的，如果不足需要填0补齐，由于在做的时候没有考虑这个问题，所以在特定的缩放比例下由于未能做到对齐而使得图片产生 错位。