python降低图像的空间分辨率——冈萨雷斯数字图像处理

2023-12-26 15:29:40

原理:

降低图像的空间分辨率意味着减少图像中可见的细节,使图像变得模糊或粗糙。这可以通过减少图像的像素数量或改变像素的排列来实现。以下是一些降低图像空间分辨率的常见原理和方法:
下采样(Subsampling):下采样是最简单的降低空间分辨率的方法之一。它涉及到降低图像的分辨率,通常通过在水平和垂直方向上删除一些像素来实现。例如,将每2x2像素块合并为一个像素,可以将图像的分辨率减小到原来的四分之一。
平均滤波(Average Filtering):平均滤波是一种模糊图像的方法,它使用一个滤波器来对像素进行平均,以减少图像中的高频细节。这样做可以降低图像的锐利度,使其看起来更模糊。
高斯模糊(Gaussian Blur):高斯模糊是一种通过应用高斯滤波器来降低图像细节的方法。高斯滤波器会使图像中的高频信息受到抑制,从而导致图像变得模糊。
双三次插值(Bicubic Interpolation):双三次插值是一种在降低图像分辨率时用于平滑图像的方法。它通过在像素之间进行插值来创建平滑的图像,减少锐利边缘的出现。
图像子采样(Image Subsampling):这种方法涉及将图像划分为较小的块,然后仅保留块中的一个像素或像素的平均值。这样可以显著降低图像的分辨率。
像素化(Pixelation):像素化是一种将图像变得更粗糙的方法,通常用于隐藏敏感信息。它涉及将图像分割成大块,并用每个块内的一个像素颜色来填充整个块。

这些方法可以根据需要选择,具体取决于希望达到的效果和图像降低分辨率的程度。降低图像的空间分辨率通常用于减小图像文件的大小、提高图像处理速度或隐藏细节,但需要注意,在某些情况下可能会导致信息丢失和图像质量下降。

我们这里采取下采样

输出的结果如下:

在这里插入图片描述

提示:

原图大小为3692×2812,用opencv读入后,以2的幂次(20-27)为采样间隔对原图降采样8次。采样可以用数组的切片索引实现,例如img[0:rows:2,:,:]表示以2为间隔,依次取图像的第0行,第2行,第4行…,img[0:rows:4,:,:]表示以4为间隔对图像的行采样,对列的操作类似。8次采样完成后,用pyplot同时显示所有结果图。

import cv2
import math
import matplotlib.pyplot as plt

img=cv2.imread("Fig0220.tif")
rows,cols,channels=img.shape

img_list=[]
img_name_list=[] 

for i in range(8):
    index=int(math.pow(2,i))
    img_list.append(img[0:rows:index, 0:cols:index,:])
    rows_new=int(rows/index)
    cols_new=int(cols/index)
    img_name_list.append(str(rows_new)+'*'+str(cols_new))

_,axs=plt.subplots(2,4)
 
for i in range(2):
    for j in range(4):
        axs[i,j].imshow(img_list[i*4+j])
        axs[i,j].set_title(img_name_list[i*4+j])
        axs[i,j].axes.get_xaxis().set_visible(False)
        axs[i,j].axes.get_xaxis().set_visible(False)
    
plt.savefig("sampling.jpg")
plt.show()

结果展示

在这里插入图片描述

降低图像空间分辨率的方法很多,本质上都是消除图像的一些细节信息.最简单的降低空间分辨率的方法就是在邻域内的平均(比如22大小邻域的光滑滤波,或者把图像分成22的小方块,每个方块求平均值);降低空间分辨率并不一定导致图像变小.
但是从信息量的角度讲,NM大小的图像包含了NM个值来表示信息,降低图像的空间分辨率以后,图像的信息量也降低了,这个时候必然不需要NM个值来表示图像的信息,所以当我们要求节约空间的时候,是可以把图像变小的.
由于图像内容的相关性,一般的N
M大小的图像都不需要NM个值来表示,所以我们有很多图像压缩算法在保真的情况下,可以极大的压缩图像数据量。

文章来源:https://blog.csdn.net/qq_49370210/article/details/135221853
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。