谈谈数字图像的缩放算法.docVIP

数字图像的缩放，是一个十分有趣的问题，又是一个看似简单，但又有些复杂的问题。许多朋友在具备一定的计算机图形编程的基础知识以后，都可以自己设计出一些简单的位图缩放算法。在计算机图形学和数字图像处理等学科里面，已经详细的研究过了数字图像缩放这个问题，并且已经有了成熟的算法。一些朋友由于没有学习过计算机图形学和数字图像处理，所以凭借自己的想法设计的位图缩放算法存在许多缺陷。在本文中，我将和大家一起来研究这个问题，并且学习前人所总结出来的算法。 图像的概念很容易理解，你睁开眼睛，所看到的都是图像了。而一幅画、一张照片，则是现实生活中记录图像的手段和载体。在科学上，我们需要对我们的研究对象建立起数学模型，因此有必要建立起图像的数学模型。一幅图像的数学模型可以简单的定义如下： +-----------------------------------------------------+ Image = f(x, y); 其中 x, y 为 [0, 1] 上的实数 对于灰度图像 Image 也为 [0, 1] 上的实数 对于彩色图像 Image 则由 R, G, B 三个分量组成 +-----------------------------------------------------+ 由于定义域和值域都在 [0, 1] 上，因此被称为连续图像模型 连续图像模型可以精确而完整的刻画所要描述的图像，然而在现实世界中，绝大多数图像都是无法通过这个数学模型进行描述的，因为现实世界中的图像，是不可能通过函数解析式的方法进行描述的。更多的时候，我们只能使用相机将现实图像的一部分信息，保存在胶片上，或者是使用画笔在画纸上绘制出图像。正是由于图像的这个特点，我们所建立的连续的图像模型，对研究图像而言，并没有什么用武之地，而传统的数学研究方法也因此无法用运用到图像上。 为了更加有效的研究和处理图像，我们利用离散数学的理论知识，为现实图像建立起了数字图像模型，并且使用计算这个强大的工具来帮助我们研究和处理图像。数字图像模型的定义如下： +-----------------------------------------------------+ Image = array(i, j); 通常情况下 i 是大于等于 0, 小于 w 的整数 而 j 是大于等于 0, 小于 h 的整数 array 可以理解为一个矩阵 Image 的取值范围为大于等于 0, 小于等于 255 的整数 对于灰度图像 Image 表示某点的亮度值 对于彩色图像 Image 则由 R, G, B 三个分量组成 +-----------------------------------------------------+ 其中的 w, h 通常被称为一幅数字图像的宽度和高度。这里，数字图像的宽度和高度，与一幅数字图像在显示器上实际的宽度和高度，有着一定的对应关系的，这个大家应该都很容易理解。我们所要讨论的数字图像的缩放问题，就是要改变一幅图像的宽度和高度，并且使 array(i, j) 这个矩阵中的数据相应的改变，使得图像按比例的进行缩放。 在数字图像处理上，数字图像的缩放又被称作重采样滤波，这很抽象但是却又深刻揭示出数字图像缩放的本质。当你将重采样滤波这个概念理解了，你会发现位图缩放是如此的简单明了，并会惊奇的发现重采样滤波是如此的神奇而深刻。 现在为了叙述的方便，我们将现实生活中所遇到的图像称为现实图像，将照片等称为物理图像，将连续图像模型成为连续图像，将数字图像模型成为数字图像或位图。那么，我们来看看一幅数字图像的产生过程。 首先，需要使用相机对现实图像进行拍照，产生照片，即物理图像。在物理图像中，仅仅记录了现实图像中的一部分信息。然后要将照片放到扫描仪上进行扫描，这个过程中图像从物理图像变换为了数字图像，在计算机中产生通常所说的位图。在图像从物理图像变换为数字图像这个过程中，最关键的地方就是采样与量化，这两个概念大家也许都非常熟悉，但是我们仍然需要深刻的理解和思考。 假如说，在扫描的过程中，我们将扫描的分辨率设置较大，也就是采样率设置较大，则扫描出来的数字图像的分辨率也较大，也就是图像的宽度和高度都较大，反之，则是变小。让我们再来深刻的理解下重采样滤波这个概念，所谓重采样滤波，指的是根据数字图像，以某种方式重建出物理图像，并且对这个重建出来的物理图像，以所需要的采样率进行重新采样。 让我们来设想这样一个过程，我们有一幅宽高分别为 (w1, h1) 的位图 A，我们想要将其缩放为宽高为 (w2, h2) 的位图 B. 我们可以通过这样的手段来完成缩放，也就是花一千块左右，买一台佳能的彩色激光打