Image 理解最近邻图像大小调整算法

我在读关于它的文章，不确定我是否理解它是如何工作的。以下是对算法的正确解释吗？假设我们想将图像拉伸3倍，从2×2大小的图像拉伸到6×6：

Map every pixel value in the old image to its location in the resized image. 
Refer to these as 'landmarks'.
 - For example, (0,0) -> (0,0)
                (0,1) -> (0,3) 
                ...
Starting at (0,1), for every pixel in the resized image that doesn't have a value,
assign to that pixel the value of the closest landmark. 

---

这是正确的吗？

我将对您的“地标”的位置做一个小的调整。与其将第一个放在（0,0），不如将其放在（1,1）：

x

标记地标，

字符是未定义的像素。

我们现在在（1,1）、（1,4）、（4,1）和（4,4）有地标。我们如何知道原始图像中的哪些像素对应于这些地标？最简单的方法是使用整数除法除以比例因子，在本例中为3：

1 div 3 = 0
4 div 3 = 1

现在，我们可以将每个地标像素映射到原始图像中对应的像素：

landmark    original
  (1,1)  =>   (0,0)
  (1,4)  =>   (0,1)
  (4,1)  =>   (1,0)
  (4,4)  =>   (1,1)

现在，如果我们对调整大小的图像中的其他像素进行尝试，会发生什么？比如说，如果我们取像素（2,3），我们能确定它最接近原始图像中的哪个像素吗？那么

2 mod 3 = 0
3 mod 3 = 1

因此，原始图像中对应的像素是（0,1）。这是与我们的地标（1,4）对应的同一个像素，因此它一定是我们最近的邻居。使用新像素调整大小后的图像如下所示：

_ _ _ _ _ _
_ x _ _ x _
_ _ _ _ _ _
_ _ @ _ _ _
_ @ _ _ x _
_ _ _ _ _ _

我已将新像素的符号和与地标（0,1）对应的地标像素更改为
@


但是我们计算了与我们的新像素对应的原始位置，没有任何参考地标，所以我们真的需要那个地标吗？不，我们没有。我们所要做的就是使用整数除法（或floor或truncate，或您的编程语言所称的任何除法；但不是round）将每个像素坐标除以比例因子。这为我们提供了以下伪代码：

Input:  Original[][] - the original image as a 2-dimensional array
        k - the scalar scaling factor
Output: Resized[][] - the resized image

for all elements (i,j) in Resized
    Resized[i][j] := Original[i div k][j div k]
end

事实上，如果使用浮点除法和truncate/floor，则可以将其扩展为接受非整数比例因子>=1。
是。唯一的问题是如何找到最近的点。我恐怕，有了这个提法，就不那么容易了。尝试用一些伪代码编写算法，社区会检查它。@Gangnus是否适合使用像广度优先搜索这样的算法，检查四个基数和顺序方向中的每一个？算法可以。但它可以用很多方法来表述。对于代码实现来说，最短或最简单的解释并不总是最好的。而且很少有效。
Input:  Original[][] - the original image as a 2-dimensional array
        k - the scalar scaling factor
Output: Resized[][] - the resized image

for all elements (i,j) in Resized
    Resized[i][j] := Original[i div k][j div k]
end