锐客网

  1. 首页 > 睿知 > it技术 > >

python中插值函数 python scipy 插值

IT技术tftp

图像双三次插值算法原理及python实现一. 图像双三次插值算法原理：
假设源图像 A 大小为 m*n，缩放后的目标图像 B 的大小为 M*N。那么根据比例我们可以得到 B(X,Y) 在 A 上的对应坐标为 A(x,y) = A( X*(m/M), Y*(n/N) )。在双线性插值法中，我们选取 A(x,y) 的最近四个点 。而在双立方插值法中，我们选取的是最近的16个像素点作为计算目标图像 B(X,Y) 处像素值的参数 。如图所示：
如图所示 P 点就是目标图像 B 在 (X,Y) 处对应于源图像中的位置，P 的坐标位置会出现小数部分 ， 所以我们假设 P 的坐标为 P(x+u,y+v)，其中 x,y 分别表示整数部分，u,v 分别表示小数部分 。那么我们就可以得到如图所示的最近 16 个像素的位置 ， 在这里用 a(i,j)(i,j=0,1,2,3) 来表示 。
双立方插值的目的就是通过找到一种关系 ， 或者说系数，可以把这 16 个像素对于 P 处像素值的影响因子找出来，从而根据这个影响因子来获得目标图像对应点的像素值，达到图像缩放的目的 。
BiCubic基函数形式如下：
二. python实现双三次插值算法
from PIL import Image
import numpy as np
import math
# 产生16个像素点不同的权重
def BiBubic(x):
x=abs(x)
if x=1:
return 1-2*(x**2)+(x**3)
elif x2:
return 4-8*x+5*(x**2)-(x**3)
else:
return 0
# 双三次插值算法
# dstH为目标图像的高，dstW为目标图像的宽
def BiCubic_interpolation(img,dstH,dstW):
scrH,scrW,_=img.shape
#img=np.pad(img,((1,3),(1,3),(0,0)),'constant')
retimg=np.zeros((dstH,dstW,3),dtype=np.uint8)
for i in range(dstH):
for j in range(dstW):
scrx=i*(scrH/dstH)
scry=j*(scrW/dstW)
x=math.floor(scrx)
y=math.floor(scry)
u=scrx-x
v=scry-y
tmp=0
for ii in range(-1,2):
for jj in range(-1,2):
if x+ii0 or y+jj0 or x+ii=scrH or y+jj=scrW:
continue
tmp+=img[x+ii,y+jj]*BiBubic(ii-u)*BiBubic(jj-v)
【python中插值函数 python scipy 插值】retimg[i,j]=np.clip(tmp,0,255)
return retimg
im_path='../paojie.jpg'
image=np.array(Image.open(im_path))
image2=BiCubic_interpolation(image,image.shape[0]*2,image.shape[1]*2)
image2=Image.fromarray(image2.astype('uint8')).convert('RGB')
image2.save('BiCubic_interpolation.jpg')
三. 实验结果：
四. 参考内容：

如何通过python实现三次样条插值spline函数可以实现三次样条插值 x = 0:10; y = sin(x); xx = 0:.25:10; yy = spline(x,y,xx); plot(x,y,'o',xx,yy) 另外fnplt csapi这两个函数也是三次样条插值函数 ， 具体你可以help一下！
python线性插值解析在缺失值填补上如果用前后的均值填补中间的均值，比如，0，空 ， 1，我们希望中间填充0.5；或者0 ， 空，空，1，我们希望中间填充0.33，0.67这样 。
可以用pandas的函数进行填充，因为这个就是线性插值法
df..interpolate()
dd=pd.DataFrame(data=https://www.04ip.com/post/[0,np.nan,np.nan,1])
dd.interpolate()
补充知识：线性插值公式简单推导
以上这篇python线性插值解析就是我分享给大家的全部内容了 ， 希望能给大家一个参考，也希望大家多多支持 。
「Scipy」样条插值在数据可视化中的运用 好久没有更新文章了，学校的教材发下来了 ， 作业一下就变多了 。
首先，把最终效果放出来：
运用样条插值，即 B-Spline ，可以使你在图表中使用曲线连接离散数据（在插值法中，这些离散数据称为 节点 ）
正如你在上面所看到的那样，在Python中插值非常简单，Scipy 中的 interpolate 为你提供了样条插值所需要的一系列函数 。

推荐阅读


上一篇：js所有全局方法，js中的全局变量

下一篇：和小朋友玩的体育游戏中班，体育游戏小朋友教案