微信：18233275213

本文共总结了OpenCV提供的4种resize图片的方法：
一、最近邻插值法 INTER_NEAREST
二、双线性插值（默认设置） INTER_LINEAR

一、最近邻插值法 INTER_NEAREST

1.简介

这是一种简单的插值算法：不需要计算，在待求象素的四邻象素中，将距离待求象素最近的邻象素灰度赋给待求象素

设i+u, j+v(i, j为正整数， u, v为大于零小于1的小数，下同)为待求象素坐标，则待求象素灰度的值 f(i+u, j+v)

如下图所示：

如果(i+u, j+v)落在A区，即u<0.5, v<0.5，则将左上角象素的灰度值赋给待求象素，同理，落在B区则赋予右上角的象素灰度值，落在C区则赋予左下角象素的灰度值，落在D区则赋予右下角象素的灰度值。
最邻近元法计算量较小，但可能会造成插值生成的图像灰度上的不连续，在灰度变化的地方可能出现明显的锯齿状。

2.示例代码

import cv2
import numpy as np
import os

def over_length(path, save_path):
    for root, dir, files in os.walk(path):
        for file in files:
            # 读入原图片
            img = cv2.imdecode(np.fromfile(os.path.join(root, file), dtype=np.uint8), -1)
            print(img)
            # 将图片高和宽分别x赋值给x，y
            height, width = img.shape[0:2]
            # 显示原图
            cv2.imshow('OriginalPicture', img)
            # (width, int(height / 3)) 元组形式，高度缩放到原来的三分之一
            # img_change1 = cv2.resize(img, (int(width / 2), int(height / 2)))
            img_change1 = cv2.resize(img, (width, int(height / 2)), cv2.INTER_NEAREST)
            cv2.imencode('.jpg', img_change1)[1].tofile(save_path + file.split('.')[0]
                                                                  + '_' + 'overlength' + '.jpg')

if __name__ == '__main__':
    over_length(r'..\历史记录\超长超短\超长\\',
                r'..\历史记录\超长超短\结果\原图\\')

3. 代码效果

原图：

resize 后的图：

二、 双线性插值（默认设置） INTER_LINEAR

1.简介

OpenCV 默认的设置为 双线性插值
双线性插值，就是两个方向的线性插值加起来。所以只要了解什么是线性插值，分别在x轴和y轴都做一遍，就是双线性插值了。

线性插值的概念也非常简单，就是两个点A，B，要在AB中间插入一个点C（点C坐标在AB连线上），就直接让C的值落在AB的值的连线上就可以了。

如A点坐标(0,0),值为3，B点坐标(0,2)，值为5，那要对坐标为(0,1)的点C进行插值，就让C落在AB线上，值为4就可以了。

但是如果C不在AB的线上呢？ 所以就有了双线性插值。如图，已知Q12，Q22，Q11，Q21，但是要插值的点为P点，这就要用双线性插值了，首先在x轴方向上，对R1和R2两个点进行插值，即蓝色R1的值根据Q11和Q21的值可求得为：

蓝色R2的值为：

然后根据R1和R2在纵坐标y的方向上对P点进行插值，即

其中上面的f（Q11）、f（Q12）等这些可以理解为一个比例值，更靠近哪个点，在计算时这个点的比重就会大一些。
这就是双线性插值。

2. 示例代码

def over_length(path, save_path):
    for root, dir, files in os.walk(path):
        for file in files:
            # 读入原图片
            img = cv2.imdecode(np.fromfile(os.path.join(root, file), dtype=np.uint8), -1)
            print(img)
            # 将图片高和宽分别x赋值给x，y
            height, width = img.shape[0:2]
            # 显示原图
            cv2.imshow('OriginalPicture', img)
            # (width, int(height / 3)) 元组形式，高度缩放到原来的三分之一
            # img_change1 = cv2.resize(img, (width, int(height / 3)))
            img_change1 = cv2.resize(img, (int(width * 2), int(height * 2)), cv2.INTER_LINEAR)
            cv2.imencode('.jpg', img_change1)[1].tofile(save_path + file.split('.')[0]
                                                                  + '_' + 'overlength' + '.jpg')

if __name__ == '__main__':
    over_length(r'D:\360MoveData\Users\Administrator\Desktop\wo\\',
                r'D:\360MoveData\Users\Administrator\Desktop\wo\\')
     

3. 代码效果

原图：

resize后的图片：

个人已经进行了比较，将resize 2倍后的图片同原图片手动放大2倍，效果有一点点的区别，resize后的会差一点，基本上是看不出来的，效果是很不错的。 我是一个放大1000倍，一个放大 500倍 才看出来的一单差别。