Python 如何通过双线性插值生成新的采样点？

我有一张灰色的图片，我需要通过双线性插值生成新的采样点（图片中红色圆圈）。python中是否有计算这些点的值的公式或函数

---

根据图表，它看起来不像双线性插值，它看起来像两个角度之间的平均值

我不确定我的解决方案是否是您所寻找的，但我认为它会给您一个线索

我尝试通过使用

cv2.HoughCircles

自动找到圆来解决它，并使用三角法标记

x

，

y

位置

解决方案使用以下阶段：

• 将图像转换为灰色和二进制
• 使用cv2查找圆。HoughCircles
• 迭代圆，并找到圆心最接近图像中心的圆
• 以45度为步长计算角度

  [0,45,90,135…]

  ，命名为

  alpha

  
  计算上述角度之间的角度

  [22.5,67.5,112.5…]

  ，将它们命名为

  beta

  
  我们实际上不需要

  alpha

  来计算

  beta

  
  这只是为了演示你想做的插值
• 使用三角法计算每个点的

  x

  ，

  y

  。
  用青色圆圈标记“alpha”点。
  用黄色圆圈标记“beta”点。
  您可以存储

  x

  ，

  y

  的“beta”点-这些是您正在寻找的点

---

代码如下：

import cv2
import numpy as np

# Read input imgae
img = cv2.imread('image.png')

# Convert to Grayscale
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Convert to binary image, and invert polarity
_, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

rows, cols = thresh.shape

circles = cv2.HoughCircles(thresh, cv2.HOUGH_GRADIENT, 1, minDist=rows//8, param1=50, param2=60, minRadius=rows//8, maxRadius=rows//2)

# Find the circle with center closest to the center of the image
min_dist_from_center = 1e9
min_c = []
for c in circles[0,:]:
    # Euclidean distance from the center of circle to center of image
    dist_from_center = np.linalg.norm([c[0] - cols/2, c[1] - rows/2])
    if dist_from_center < min_dist_from_center:
        min_dist_from_center = dist_from_center
        min_c = c

c = min_c

# Draw circle for testing
cv2.circle(img, (c[0], c[1]), c[2], (0, 255, 0), 2)

# Array of angles in 45 degrees difference
alpha_arr = np.arange(0, 360+45, 45)  # [  0,  45,  90, 135, 180, 225, 270, 315, 360]
betta_arr = (alpha_arr[1:] + alpha_arr[0:-1])/2  # [ 22.5,  67.5, 112.5, 157.5, 202.5, 247.5, 292.5, 337.5] Points between alpha

# Compute x, y coordinates by angle and radius
r = c[2]
for alpha, beta in zip(alpha_arr[:-1], betta_arr):
    x = r*np.cos(np.deg2rad(alpha)) + c[0] # x = r*cos(alpha) + center_x
    y = r*np.sin(np.deg2rad(alpha)) + c[1] # y = r*sin(alpha) + center_y

    # Draw small cyan circle to mark alpha points
    cv2.circle(img, (int(x), int(y)), 12, (255, 255, 0), 3)

    x = r*np.cos(np.deg2rad(beta)) + c[0] # x = r*cos(alpha) + center_x
    y = r*np.sin(np.deg2rad(beta)) + c[1] # y = r*sin(alpha) + center_y

    # Draw small yellow circle to mark beta points
    cv2.circle(img, (int(x), int(y)), 10, (0, 255, 255), 3)


# Show images for testing
cv2.imshow('thresh', thresh)
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

导入cv2
将numpy作为np导入
#读输入imgae
img=cv2.imread（'image.png'）
#转换为灰度
灰色=cv2.CVT颜色（img，cv2.COLOR\U BGR2GRAY）
#转换为二进制图像，并反转极性
_，thresh=cv2.阈值（灰色，0，255，cv2.thresh\u二进制\u INV+cv2.thresh\u大津）
行，列=thresh.shape
圆=cv2。霍夫圆（阈值，cv2.HOUGH_梯度，1，minDist=行//8，参数1=50，参数2=60，最小半径=行//8，最大半径=行//2）
#找到圆心最接近图像中心的圆
距离中心的最小距离=1e9
min_c=[]
对于圆[0，：]中的c：
#圆心到图像中心的欧氏距离
距离中心的距离=np.linalg.norm（[c[0]-cols/2，c[1]-rows/2]）
如果距离中心的距离<距离中心的最小距离：
距离中心的最小距离=距离中心的距离
最小值c=c
c=最小值
#画圆圈进行测试
cv2.圆（img，（c[0]，c[1]），c[2]，（0255,0），2）
#45度差的角度阵列
alpha_arr=np.arange（0,360+45,45）#[0,45,90,135,180,225,270,315,360]
betta_arr=（alpha_arr[1::+alpha_arr[0:-1]）/2#[22.5,67.5,112.5,157.5,202.5,247.5,292.5,337.5]点之间
#通过角度和半径计算x、y坐标
r=c[2]
对于alpha，zip中的beta（alpha_-arr[：-1]，betta_-arr）：
x=r*np.cos（np.deg2rad（alpha））+c[0]#x=r*cos（alpha）+中心
y=r*np.sin（np.deg2rad（alpha））+c[1]#y=r*sin（alpha）+中心
#绘制小青色圆圈以标记alpha点
圆（img，（int（x），int（y）），12，（255，255，0），3）
x=r*np.cos（np.deg2rad（beta））+c[0]#x=r*cos（alpha）+中心
y=r*np.sin（np.deg2rad（beta））+c[1]#y=r*sin（alpha）+中心
#画一个黄色的小圆圈来标记测试点
圆（img，（int（x），int（y）），10，（0，255，255），3）
#显示用于测试的图像
cv2.imshow（'thresh'，thresh）
cv2.imshow（“img”，img）
cv2.等待键（0）
cv2.destroyAllWindows（）

---

结果：

---

您是否有一个简单的示例可以开始？你尝试过什么？事实上，我正在寻找一个获得sarted的想法