OpenCV图像缩放resize各种插值方式的比较

朱雀 2022-04-10 01:29 365阅读 0赞

# OpenCV图像缩放resize各种插值方式的比较 #

1. resize函数说明

2.各种插值方式的比较

2.1 INTER\_NEAREST（最近邻插值）

2.2 INTER\_CUBIC  (三次样条插值)

2.3 INTER\_LINEAR(线性插值)

2.4 INTER\_AREA  (区域插值)

3. 总结

--------------------

## 1. resize函数说明 ##

OpenCV提供了resize函数来改变图像的大小，函数原型如下：

void resize(InputArray src, OutputArray dst, Size dsize, double fx=0, double fy=0, int interpolation=INTER_LINEAR );

参数说明：

>  *  src：输入，原图像，即待改变大小的图像；
>  *  dst：输出，改变大小之后的图像，这个图像和原图像具有相同的内容，只是大小和原图像不一样而已；
>  *  dsize：输出图像的大小。如果这个参数不为0，那么就代表将原图像缩放到这个Size(width，height)指定的大小；如果这个参数为0，那么原图像缩放之后的大小就要通过下面的公式来计算：
> 
> *       dsize = Size(round(fx\*src.cols), round(fy\*src.rows))*
> 
>        其中，fx和fy就是下面要说的两个参数，是图像width方向和height方向的缩放比例。
> 
>  *  fx：width方向的缩放比例，如果它是0，那么它就会按照(double)dsize.width/src.cols来计算；
>  *  fy：height方向的缩放比例，如果它是0，那么它就会按照(double)dsize.height/src.rows来计算；
>  *  interpolation：这个是指定插值的方式，图像缩放之后，肯定像素要进行重新计算的，就靠这个参数来指定重新计算像素的方式，有以下几种：
> 
> *      INTER\_NEAREST - 最邻近插值  
>       INTER\_LINEAR - 双线性插值，如果最后一个参数你不指定，默认使用这种方法  
>       INTER\_AREA -区域插值 resampling using pixel area relation. It may be a preferred method for image decimation, as it gives moire’-free results. But when the image is zoomed, it is similar to the INTER\_NEAREST method.  
>       INTER\_CUBIC - 4x4像素邻域内的双立方插值  
>       INTER\_LANCZOS4 - 8x8像素邻域内的Lanczos插值*

**使用注意事项：**

dsize和fx/fy不能同时为0，要么你就指定好dsize的值，让fx和fy空置直接使用默认值，就像

resize(img, imgDst, Size(30,30));

要么你就让dsize为0，指定好fx和fy的值，比如fx=fy=0.5，那么就相当于把原图两个方向缩小一倍！

**OpenCV官方说明：注意红色方框那句话：**[https://docs.opencv.org/3.2.0/da/d54/group\_\_imgproc\_\_transform.html\#ga47a974309e9102f5f08231edc7e7529d][https_docs.opencv.org_3.2.0_da_d54_group_imgproc_transform.html_ga47a974309e9102f5f08231edc7e7529d]

> To shrink an image, it will generally look best with [cv::INTER\_AREA][cv_INTER_AREA] interpolation, whereas to enlarge an image, it will generally look best with [cv::INTER\_CUBIC][cv_INTER_CUBIC] (slow) or [cv::INTER\_LINEAR][cv_INTER_LINEAR] (faster but still looks OK).

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70 1][]

--------------------

## 2.各种插值方式的比较 ##

OpenCV的cv::resize函数支持多种插值方式，这里主要比较下面四个常用的插值方式。

参考资料：《OpenCV中resize函数五种插值算法的实现过程》[https://blog.csdn.net/fengbingchun/article/details/17335477][https_blog.csdn.net_fengbingchun_article_details_17335477]

### **2.1 INTER\_NEAREST（最近邻插值）** ###

最近邻插值是最简单的插值方法，选取离目标点最近的点作为新的插入点，计算公式表示如下：

![20181219155358116.png][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70 2][]

插值后的边缘效果：由于是以最近的点作为新的插入点，因此边缘不会出现缓慢的渐慢过度区域，这也导致放大的图像容易出现锯齿的现象

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70 3][]

### **2.2 INTER\_CUBIC  (三次样条插值)** ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70 2][]

插值后的边缘效果：可以有效避免出现锯齿的现象

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70 4][]

### **2.3 INTER\_LINEAR(线性插值)** ###

线性插值是以距离为权重的一种插值方式。

![20181219155733802.png][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70 2][]

插值后的边缘效果：可以有效避免出现锯齿的现象

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70 5][]

### **2.4 INTER\_AREA  (区域插值)** ###

**区域插值**共分三种情况，图像放大时类似于双线性插值，图像缩小(x轴、y轴同时缩小)又分两种情况，此情况下可以避免波纹出现。因此对图像进行缩小时，为了避免出现波纹现象，推荐采用**区域插值**方法。

OpenGL说明文档有这么解释：To shrink an image, it will generally look best with \#INTER\_AREA interpolation, whereas to enlarge an image, it will generally look best with \#INTER\_CUBIC (slow) or \#INTER\_LINEAR (faster but still looks OK).

如果要缩小图像，通常推荐使用INTER\_AREA插值效果最好，而要放大图像，通常使用INTER\_CUBIC(速度较慢，但效果最好)，或者使用INTER\_LINEAR(速度较快，效果还可以)。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70 2][]

插值后的边缘效果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70 6][]

测试代码：

#include <chrono>
    #include <opencv2/opencv.hpp>
    #define  millisecond 1000000
    #define DEBUG_PRINT(...)  printf( __VA_ARGS__); printf("\n")
    #define DEBUG_TIME(time_) auto time_ =std::chrono::high_resolution_clock::now()
    #define RUN_TIME(time_)  (double)(time_).count()/millisecond
    using namespace std;
    
    cv::Mat image_resize(cv::Mat image, int width, int height, int interpolation, int num) {
        cv::Mat dest;
        for (int i = 0; i < num; ++i) {
            cv::resize(image, dest, cv::Size(width, height), 0, 0, interpolation);//最近邻插值
        }
        return dest;
    }
    
    
    int main() {
        string path = "../1.jpg";
        cv::Mat image = cv::imread(path);
        cv::resize(image, image, cv::Size(1000, 1000));
        int re_width = 900;
        int re_height = 900;
        int  num=10;
        cv::Mat image2X_INTER_NEAREST;
        cv::Mat image2X_INTER_LINEAR;
        cv::Mat image2X_INTER_AREA;
        cv::Mat image2X_INTER_CUBIC;
        cv::Mat initMat;
        DEBUG_PRINT("image input size:%dx%d", image.rows, image.cols);
        DEBUG_TIME(T0);
        image2X_INTER_NEAREST=image_resize(image, re_width, re_height, cv::INTER_NEAREST, num);
        DEBUG_TIME(T1);
        image2X_INTER_LINEAR=image_resize(image, re_width, re_height, cv::INTER_LINEAR, num);
        DEBUG_TIME(T2);
        image2X_INTER_AREA=image_resize(image, re_width, re_height, cv::INTER_AREA, num);
        DEBUG_TIME(T3);
        image2X_INTER_CUBIC=image_resize(image, re_width, re_height, cv::INTER_CUBIC, num);
        DEBUG_TIME(T4);
        DEBUG_PRINT("resize_image:%dx%d,INTER_NEAREST:%3.3fms",
                image2X_INTER_NEAREST.rows,
                image2X_INTER_NEAREST.cols,
                RUN_TIME(T1 - T0)/num);
        DEBUG_PRINT("resize_image:%dx%d,INTER_LINEAR :%3.3fms",
                image2X_INTER_LINEAR.rows,
                image2X_INTER_LINEAR.cols,
                RUN_TIME(T2 - T1)/num);
        DEBUG_PRINT("resize_image:%dx%d,INTER_AREA   :%3.3fms",
                image2X_INTER_AREA.rows,
                image2X_INTER_AREA.cols,
                RUN_TIME(T3 - T2)/num);
        DEBUG_PRINT("resize_image:%dx%d,INTER_CUBIC  :%3.3fms",
                image2X_INTER_CUBIC.rows,
                image2X_INTER_CUBIC.cols,
                RUN_TIME(T4 - T3)/num);
        return 0;
    }

运行结果：

> *image input size:1000x1000  
> resize\_image:900x900,INTER\_NEAREST:0.389ms  
> resize\_image:900x900,INTER\_LINEAR :0.605ms  
> resize\_image:900x900,INTER\_AREA   :2.611ms  
> resize\_image:900x900,INTER\_CUBIC  :1.920ms*

--------------------

## 3. 总结 ##

测试结果表明：

>  *  * *速度比较：INTER\_NEAREST（最近邻插值)>INTER\_LINEAR(线性插值)>INTER\_CUBIC(三次样条插值)>INTER\_AREA  (区域插值)
>  *  对图像进行缩小时，为了避免出现波纹现象，推荐采用*INTER\_AREA ***区域插值**方法。
>  *  OpenCV推荐：如果要缩小图像，通常推荐使用\#INTER\_AREA插值效果最好，而要放大图像，通常使用INTER\_CUBIC(速度较慢，但效果最好)，或者使用INTER\_LINEAR(速度较快，效果还可以)。至于最近邻插值INTER\_NEAREST，一般不推荐使用

[https_docs.opencv.org_3.2.0_da_d54_group_imgproc_transform.html_ga47a974309e9102f5f08231edc7e7529d]: https://docs.opencv.org/3.2.0/da/d54/group__imgproc__transform.html#ga47a974309e9102f5f08231edc7e7529d
[cv_INTER_AREA]: https://docs.opencv.org/3.2.0/da/d54/group__imgproc__transform.html#gga5bb5a1fea74ea38e1a5445ca803ff121acf959dca2480cc694ca016b81b442ceb
[cv_INTER_CUBIC]: https://docs.opencv.org/3.2.0/da/d54/group__imgproc__transform.html#gga5bb5a1fea74ea38e1a5445ca803ff121a55e404e7fa9684af79fe9827f36a5dc1
[cv_INTER_LINEAR]: https://docs.opencv.org/3.2.0/da/d54/group__imgproc__transform.html#gga5bb5a1fea74ea38e1a5445ca803ff121ac97d8e4880d8b5d509e96825c7522deb
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70]: /images/20220404/7f06781de41042239806f78f6f4dbf0d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70 1]: /images/20220404/8cc221e98e4a4c01b08a233c42eb9131.png
[https_blog.csdn.net_fengbingchun_article_details_17335477]: https://blog.csdn.net/fengbingchun/article/details/17335477
[20181219155358116.png]: /images/20220404/2b5e89ac8a6a41a49b492df658428f4e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70 2]: /images/20220404/8ae4deb4ecc14beaa995f71544bee7d7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70 3]: /images/20220404/388290e165a14543b4e8907f872a48fd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70 4]: /images/20220404/954e1bc0c39b430b940de3993534c5a0.png
[20181219155733802.png]: /images/20220404/6e5176e78b57443e9ee6e41d3060985d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70 5]: /images/20220404/bb049e5e12f04c99a44a8d26e8e03577.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2d1eXVlYWxpYW4_size_16_color_FFFFFF_t_70 6]: /images/20220404/ed886fddd03c4269a766be83de766126.png