图像几何运算.ppt

比例缩放前后两点之间的关系用矩阵表示为： 其逆矩阵为： 插值算法（Interpolation） 比例缩放所产生的图像中有可能在原图中找不到相应的象素点,我们采用的做法是找与之最临近的点，我们采用的做法是找与之最临近的点 。即利用邻域的像素来估计新的像素值 的处理方法就是插值算法。 常用的插值算法有： 最邻近插值（Nearest Neighbour Interpolation）。 线形插值(Linear Interpolation)。 双线形插值（Bilinear Intrepolation） 曲线插值（Curvilinear Interpolation） （1）最临近插值 图像变换后找不到相应的象素点时，直接赋值为和它最相近的的象素值的插值算法。 例如：在图像的缩放中，将一幅6×6的图像按比例缩小，fx＝fy＝1/2,图像的长和宽均缩小到原来的一半，成为一幅3×3的图像。 原图像的象素从（0，0）到（5，5），新图像的象素从（0，0）到（2，2）。如下图： 6×6的原图f 新图中的灰度值利用缩放公式 计算得到 X0=0/0.5=0 y0 =0 X1=1/0.5= 2 y1=2 X2=2/0.5=4 y2=4 g(0,0)=f(0,0) , g(0,1)=f(0,2) , g(0,2)=f(0,4), g(1,0)=f(2,0), g(1,1)=f(2,2), g(1,2)=f(2,4) g(2,0)=f(4,0), g(2,1)=f(4,2) ,g(2,2)=f4,4) 3×3的新图g 6×6的原图f 图像缩小，可以在原图像中挑选信息，缩小之后的图与原图像比较丢失了很多信息。 图像放大处理中，需要对放大后多出来的空格填入适当的象素值，采用最临近插值法举例如下： 4×4的以原图f 长和宽各放大2倍，利用公式得到8×8的新图像。新图像中各象素位置 X0=0 Y0=0 X1=0.5 Y1=0.5 X2=1 Y2=1 X3＝1.5 Y3=1.5 X4=2 Y4=2 X5=2.5 Y5=2.5 X6=3 Y6=3 X7=3.5 Y7=3.5 g(0,0)=f(0,0) g(0,1)=f(0,0.5) g(0,2)=f(0,1) g(0,3)=f(0,1.5) g(0,4)=f(0,2) g(0,5)=f(0,2.5) g(0,6)=f(0,3) g(0,7)=f(0,3.5) g(1,0)=f(0.5,0) g(1,1)=f(0.5,0.5) g(1,2)=f(0.5,1) g(1,3)＝f(0.5,1.5) g(1,4)=f(0.5,2) g(1,5)=f(0.5,2.5) g(1,6)=f(0.5，3） g(1,7)=f(0.5,3.5) g(2,0)=f(1,0) g(2,1)=f(1,0.5) g(2,2)=f(1,1） g(2,3)=f(1,1.5) g(2,4)=f(1,2) g(2,5)=f(1,2.5) g(2,6)=f(2,3） g(2,7)=f(1,3.5) g(3,0)=f(1.5,0) g(3,1)=f(1.5,0.5) g((3,2)=f(f(1.5,1) g(3,3)=f(1.5,1.5) g(3,4)=f(1.5,2) g(3,5)=f(1.5,2.5） g(3,6)=f(1.5,3) g(3,7)=f(1.5,3.5) g(4,0)=f(2,0) g(4,1)＝f(2,0.5) g(4,2)=f(2,1) g(4,3)=f(2,1.5） g(4,4)=f(2,2) g(4,5)=f(2,2.5) g(4,6)=f(2,3) g(4,7)=f(2,3.5) g(5,0)=f(2.5,0) g(5,1)＝f(2.5,0.5) g(5,2)=f（2.5,1) g(5,3)=f(2.5,1.5） g(5,4)=f(2.5,2) g(5,5)=f(2.5,2.5) g(5,6)=f(2.5,3) g(5,7)=f(2.5,3.5) g(6,0)=f(3,0) g(