opencv

cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]]) → dst

interpolation 選項(xiàng) 所用的插值方法
INTER_NEAREST 最近鄰插值
INTER_LINEAR 雙線性插值（默認(rèn)設(shè)置）
INTER_AREA 使用像素區(qū)域關(guān)系進(jìn)行重采樣。 它可能是圖像抽取的首選方法，因?yàn)樗鼤?huì)產(chǎn)生無云紋理的結(jié)果讲婚。 但是當(dāng)圖像縮放時(shí)广恢，它類似于INTER_NEAREST方法昔驱。
INTER_CUBIC 4x4像素鄰域的雙三次插值
INTER_LANCZOS4 8x8像素鄰域的Lanczos插值

最近鄰插值

我們就舉個(gè)簡(jiǎn)單的圖像：33 的256級(jí)灰度圖眠寿。假如圖像的象素矩陣如下圖所示（這個(gè)原始圖把它叫做源圖，Source）：
234 38 22
67 44 12
89 65 63
　　這 個(gè)矩陣中蠢箩，元素坐標(biāo)(x,y)是這樣確定的劳翰，x從左到右敦锌，從0開始，y從上到下佳簸，也是從零開始乙墙，這是圖象處理中最常用的坐標(biāo)系。
　　如果想把這副圖放大為 44大小的圖像生均，那么該怎么做呢听想？那么第一步肯定想到的是先把44的矩陣先畫出來再說，好了矩陣畫出來了马胧，如下所示汉买，當(dāng)然，矩陣的每個(gè)像素都是未知數(shù)佩脊，等待著我們?nèi)ヌ畛洌ㄟ@個(gè)將要被填充的圖的叫做目標(biāo)圖,Destination）：
　　? ? ? ?
　　? ? ? ?
　　? ? ? ?
　　? ? ? ?
　　然后要往這個(gè)空的矩陣?yán)锩嫣钪盗送苷常畹闹祻哪睦飦韥砟匦嗌渴菑脑磮D中來，好组题，先填寫目標(biāo)圖最左上角的象素，坐標(biāo)為（0抱冷，0）崔列，那么該坐標(biāo)對(duì)應(yīng)源圖中的坐標(biāo)可以由如下公式得出srcX=dstX (srcWidth/dstWidth) , srcY = dstY * (srcHeight/dstHeight)
　　好了，套用公式旺遮，就可以找到對(duì)應(yīng)的原圖的坐標(biāo)了(0(3/4),0(3/4))=>(00.75,00.75)=>(0,0)赵讯，找到了源圖的對(duì)應(yīng)坐標(biāo),就可以把源圖中坐標(biāo)為(0,0)處的234象素值填進(jìn)去目標(biāo)圖的(0,0)這個(gè)位置了。
　　接下來,如法炮制,尋找目標(biāo)圖中坐標(biāo)為(1,0)的象素對(duì)應(yīng)源圖中的坐標(biāo),套用公式:
(10.75,00.75)=>(0.75,0) 結(jié)果發(fā)現(xiàn),得到的坐標(biāo)里面竟然有小數(shù),這可怎么辦?計(jì)算機(jī)里的圖像可是數(shù)字圖像,象素就是最小單位了,象素的坐標(biāo)都是整數(shù),從來沒有小數(shù)坐標(biāo)耿眉。這時(shí)候采用的一種策略就是采用四舍五入的方法（也可以采用直接舍掉小數(shù)位的方法）边翼，把非整數(shù)坐標(biāo)轉(zhuǎn)換成整數(shù)，好鸣剪，那么按照四舍五入的方法就得到坐標(biāo)（1组底，0），完整的運(yùn)算過程就是這樣的：(10.75,00.75)=>(0.75,0)=>(1,0) 那么就可以再填一個(gè)象素到目標(biāo)矩陣中了筐骇，同樣是把源圖中坐標(biāo)為(1,0)處的像素值38填入目標(biāo)圖中的坐標(biāo)债鸡。
　　依次填完每個(gè)象素，一幅放大后的圖像就誕生了铛纬，像素矩陣如下所示：
　　234 38 22 22
　　67 44 12 12
　　89 65 63 63
　　89 65 63 63
　　這種放大圖像的方法叫做最臨近插值算法厌均，這是一種最基本、最簡(jiǎn)單的圖像縮放算法告唆，效果也是最不好的棺弊，放大后的圖像有很嚴(yán)重的馬賽克，縮小后的圖像有很嚴(yán)重的失真擒悬；效果不好的根源就是其簡(jiǎn)單的最臨近插值方法引入了嚴(yán)重的圖像失真模她，比如，當(dāng)由目標(biāo)圖的坐標(biāo)反推得到的源圖的的坐標(biāo)是一個(gè)浮點(diǎn)數(shù)的時(shí)候茄螃，采用了四舍五入的方法缝驳，直接采用了和這個(gè)浮點(diǎn)數(shù)最接近的象素的值，這種方法是很不科學(xué)的归苍，當(dāng)推得坐標(biāo)值為 0.75的時(shí)候用狱，不應(yīng)該就簡(jiǎn)單的取為1，既然是0.75拼弃，比1要小0.25 夏伊，比0要大0.75 ,那么目標(biāo)象素值其實(shí)應(yīng)該根據(jù)這個(gè)源圖中虛擬的點(diǎn)四周的四個(gè)真實(shí)的點(diǎn)來按照一定的規(guī)律計(jì)算出來的，這樣才能達(dá)到更好的縮放效果吻氧。

雙線性插值

雙線型內(nèi)插值算法就是一種比較好的圖像縮放算法溺忧，它充分的利用了源圖中虛擬點(diǎn)四周的四個(gè)真實(shí)存在的像素值來共同決定目標(biāo)圖中的一個(gè)像素值咏连，因此縮放效果比簡(jiǎn)單的最鄰近插值要好很多。
雙線性內(nèi)插值算法描述如下:
　　對(duì)于一個(gè)目的像素鲁森，設(shè)置坐標(biāo)通過反向變換得到的浮點(diǎn)坐標(biāo)為(i+u,j+v) (其中i祟滴、j均為浮點(diǎn)坐標(biāo)的整數(shù)部分，u歌溉、v為浮點(diǎn)坐標(biāo)的小數(shù)部分垄懂，是取值[0,1)區(qū)間的浮點(diǎn)數(shù))，則這個(gè)像素得值 f(i+u,j+v) 可由原圖像中坐標(biāo)為 (i,j)痛垛、(i+1,j)草慧、(i,j+1)、(i+1,j+1)所對(duì)應(yīng)的周圍四個(gè)像素的值決定匙头，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)表示源圖像(i,j)處的的像素值漫谷，以此類推。
　　比如蹂析，象剛才的例子舔示，現(xiàn)在假如目標(biāo)圖的象素坐標(biāo)為（1，1）识窿，那么反推得到的對(duì)應(yīng)于源圖的坐標(biāo)是（0.75 , 0.75）, 這其實(shí)只是一個(gè)概念上的虛擬象素,實(shí)際在源圖中并不存在這樣一個(gè)象素,那么目標(biāo)圖的象素（1斩郎，1）的取值不能夠由這個(gè)虛擬象素來決定，而只能由源圖的這四個(gè)象素共同決定：（0喻频，0）（0缩宜，1）（1，0）（1甥温，1）锻煌，而由于（0.75,0.75）離（1，1）要更近一些姻蚓，那么（1,1）所起的決定作用更大一些宋梧，這從公式1中的系數(shù)uv=0.75×0.75就可以體現(xiàn)出來，而（0.75,0.75）離（0狰挡，0）最遠(yuǎn)捂龄，所以（0，0）所起的決定作用就要小一些加叁，公式中系數(shù)為(1-u)(1-v)=0.25×0.25也體現(xiàn)出了這一特點(diǎn)倦沧。
2，計(jì)算方法

image

首先它匕，在X方向上進(jìn)行兩次線性插值計(jì)算展融，然后在Y方向上進(jìn)行一次插值計(jì)算。

image

image

在圖像處理的時(shí)候豫柬，我們先根據(jù)
　　srcX=dstX* (srcWidth/dstWidth) ,
　　srcY = dstY * (srcHeight/dstHeight)
來計(jì)算目標(biāo)像素在源圖像中的位置告希，這里計(jì)算的srcX和srcY一般都是浮點(diǎn)數(shù)扑浸，比如f（1.2, 3.4）這個(gè)像素點(diǎn)是虛擬存在的，先找到與它臨近的四個(gè)實(shí)際存在的像素點(diǎn)
　⊙嗯肌（1喝噪，3） （2，3）
　≈该础（1仙逻，4） （2，4）
　　寫成f(i+u,j+v)的形式涧尿，則u=0.2,v=0.4, i=1, j=3
　　在沿著X方向差插值時(shí)，f(R₁)=u(f(Q₂₁)-f(Q₁₁))+f(Q₁₁)
　　沿著Y方向同理計(jì)算檬贰。
　　或者姑廉，直接整理一步計(jì)算，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) 翁涤。

參考

• https://www.cnblogs.com/yssongest/p/5303151.html
• https://blog.csdn.net/JNingWei/article/details/78822026