opencv插值算法缩放

### OpenCV 插值算法实现图像缩放

#### 使用 `cv2.resize` 进行图像缩放

在 OpenCV 中，`cv2.resize()` 是一个强大的函数，能够根据不同的插值方法调整图像大小。此函数允许指定目标尺寸以及所使用的插值技术。

对于不同场景下的应用需求，可以选择合适的插值方式：

- **最近邻插值 (Nearest Neighbor Interpolation)**：简单快速但效果粗糙，在放大图像时容易造成锯齿现象；缩小图像时则可能导致细节丢失严重[^2]。

- **双线性插值 (Bilinear Interpolation)**：通过考虑相邻四个像素点加权平均值得到新位置的颜色值，适用于一般情况下的图像缩放处理[^1]。

- **三次样条插值 (Cubic Interpolation)**：基于十六个临近像素计算得到更平滑的结果，尤其适合于高质量的图像放大操作。

- **兰索斯插值 (Lanczos Interpolation)**：提供更高的质量，特别是在保持边缘清晰度方面表现优异，不过计算成本较高。

下面给出一段 Python 代码示例，展示如何利用上述几种常见的插值方法来进行图像缩放：

import cv2
import numpy as np

def image_resize(image_path, scale_percent, interpolation_method=cv2.INTER_LINEAR):
    img = cv2.imread(image_path)

    width = int(img.shape[1] * scale_percent / 100)
    height = int(img.shape[0] * scale_percent / 100)
    
    dim = (width, height)

    resized_img = cv2.resize(img, dim, interpolation=interpolation_method)

    return resized_img


# 测试各种插值方法的效果
image_paths = ['example.jpg']  # 替换为实际路径
methods = [
    ('Nearest', cv2.INTER_NEAREST),
    ('Linear', cv2.INTER_LINEAR), 
    ('Cubic', cv2.INTER_CUBIC),
    ('Lanczos4', cv2.INTER_LANCZOS4)]

for path in image_paths:
    original_image = cv2.imread(path)
    for name, method in methods:
        scaled_image = image_resize(path, 50, method)  # 放大或缩小比例可自行设定
        
        combined_images = np.hstack((original_image, scaled_image))
        
        window_name = f'{name} Interpolation'
        cv2.imshow(window_name, combined_images)
        cv2.waitKey(0)
        cv2.destroyAllWindows()

这段程序定义了一个名为 `image_resize` 的辅助函数，接受三个参数：输入图片文件名、百分比形式的目标尺度因子以及选用的具体插值策略，默认采用的是双线性插值法。随后遍历给定的一组测试用图，并依次尝试四种主要类型的插值方案，最后将原图与经过变换后的版本并列显示出来以便对比观察。