【OpenCV】Python图像处理几何变换之缩放

图像缩放（Image Scaling）是最基础的几何变换之一，指按指定比例或尺寸调整图像的宽度和高度，核心是通过插值算法 填充缩放后新增的像素点，同时尽可能保留图像细节。OpenCV 提供了 cv2.resize() 函数实现灵活的缩放功能，支持固定比例、固定尺寸、不同插值算法等场景，广泛用于图像预处理（如神经网络输入适配）、多分辨率显示等。

一、核心原理

1. 缩放的本质

• 缩小图像：需丢弃部分像素，需通过算法保留关键信息（如边缘、纹理）。
• 放大图像：需新增像素，需通过插值算法推测新增像素的灰度 / 颜色值。
• 缩放比例：设原图尺寸为 (h, w)（高度 × 宽度），目标尺寸为 (h_target, w_target)，则高度缩放比例 fx = h_target/h，宽度缩放比例 fy = w_target/w。

2. OpenCV 支持的插值算法

插值算法直接影响缩放后图像的质量和速度，OpenCV 提供以下常用算法（通过 interpolation 参数指定）：

插值算法参数	适用场景	特点
cv2.INTER_NEAREST	快速缩放、对质量要求低	最近邻插值，速度最快，易产生锯齿（像素化）
cv2.INTER_LINEAR	默认放大 / 缩小（推荐）	双线性插值，速度较快，质量均衡
cv2.INTER_CUBIC	放大图像（追求高质量）	双三次插值，基于 4×4 邻域像素，质量好，速度较慢
cv2.INTER_AREA	缩小图像（推荐）	区域插值，基于像素区域均值，缩小后无锯齿，保留细节更好
cv2.INTER_LANCZOS4	高质量放大 / 缩小（慢）	Lanczos 插值，基于 8×8 邻域，质量最优，速度最慢

关键结论：

• 缩小图像：优先用 INTER_AREA（无锯齿）；
• 放大图像：优先用 INTER_CUBIC 或 INTER_LINEAR（质量 / 速度平衡）；
• 追求速度：用 INTER_NEAREST（适合实时场景）。

二、cv2.resize() 函数详解

函数原型

cv2.resize(src, dsize, dst=None, fx=None, fy=None, interpolation=cv2.INTER_LINEAR)

参数说明

参数	含义	注意事项
src	输入图像（单通道 / 多通道均可）	必须是 numpy.ndarray 类型（OpenCV 图像格式）
dsize	目标尺寸，格式为 (width, height)	与 OpenCV 图像的 (h, w) 格式相反；若设为 None，则需通过 fx/fy 指定比例
fx	宽度方向的缩放比例（可选）	若 dsize 为 None，则 fx 必须指定
fy	高度方向的缩放比例（可选）	与 fx 配合使用，单独指定无效
interpolation	插值算法（默认 INTER_LINEAR）	按场景选择（参考上文表格）

返回值

缩放后的目标图像（numpy.ndarray 类型）。

三、完整实现代码（多种场景）

1. 基础场景：固定比例缩放

指定宽度 / 高度的缩放比例（如缩小为原图的 0.5 倍、放大为 2 倍）：

import cv2
import matplotlib.pyplot as plt

# 1. 读取图像（灰度图/彩色图均可）
img = cv2.imread("lena.jpg")  # 彩色图（BGR格式）
# img = cv2.imread("lena.jpg", cv2.IMREAD_GRAYSCALE)  # 灰度图（可选）
if img is None:
    print("无法读取图像，请检查路径！")
    exit()

# 2. 获取原图尺寸（height, width, channels）
h, w = img.shape[:2]
print(f"原图尺寸：高度={h}, 宽度={w}")

# 3. 固定比例缩放（3种常见场景）
scale_down = 0.5  # 缩小为原图的50%
scale_up = 2.0    # 放大为原图的200%

# 方法1：通过 fx/fy 指定比例（dsize=None）
img_down = cv2.resize(img, dsize=None, fx=scale_down, fy=scale_down, interpolation=cv2.INTER_AREA)  # 缩小用INTER_AREA
img_up = cv2.resize(img, dsize=None, fx=scale_up, fy=scale_up, interpolation=cv2.INTER_CUBIC)    # 放大用INTER_CUBIC

# 4. 转换为RGB格式（用于matplotlib显示，cv2默认BGR）
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img_down_rgb = cv2.cvtColor(img_down, cv2.COLOR_BGR2RGB)
img_up_rgb = cv2.cvtColor(img_up, cv2.COLOR_BGR2RGB)

# 5. 显示结果
plt.figure(figsize=(15, 5))
# 原图
plt.subplot(1, 3, 1)
plt.imshow(img_rgb)
plt.title(f"原图 ({h}×{w})")
plt.axis("off")
# 缩小图
plt.subplot(1, 3, 2)
plt.imshow(img_down_rgb)
plt.title(f"缩小50% ({img_down.shape[0]}×{img_down.shape[1]})")
plt.axis("off")
# 放大图
plt.subplot(1, 3, 3)
plt.imshow(img_up_rgb)
plt.title(f"放大200% ({img_up.shape[0]}×{img_up.shape[1]})")
plt.axis("off")

plt.tight_layout()
plt.show()

2. 固定目标尺寸缩放

指定缩放后的具体宽度和高度（如缩放到 300×200、800×600），需注意 dsize 格式为 (width, height)：

import cv2
import matplotlib.pyplot as plt

# 1. 读取图像
img = cv2.imread("lena.jpg")
if img is None:
    print("无法读取图像，请检查路径！")
    exit()
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
h, w = img.shape[:2]

# 2. 固定目标尺寸（width, height）
target_size1 = (300, 200)  # 宽300，高200（可能拉伸）
target_size2 = (800, 600)  # 宽800，高600（放大）

# 缩放（按目标尺寸，指定插值算法）
img_fixed1 = cv2.resize(img, target_size1, interpolation=cv2.INTER_LINEAR)
img_fixed2 = cv2.resize(img, target_size2, interpolation=cv2.INTER_CUBIC)

# 转换为RGB用于显示
img_fixed1_rgb = cv2.cvtColor(img_fixed1, cv2.COLOR_BGR2RGB)
img_fixed2_rgb = cv2.cvtColor(img_fixed2, cv2.COLOR_BGR2RGB)

# 3. 显示结果
plt.figure(figsize=(15, 8))
plt.subplot(1, 3, 1)
plt.imshow(img_rgb)
plt.title(f"原图 ({h}×{w})")
plt.axis("off")

plt.subplot(1, 3, 2)
plt.imshow(img_fixed1_rgb)
plt.title(f"固定尺寸 {target_size1[1]}×{target_size1[0]}")
plt.axis("off")

plt.subplot(1, 3, 3)
plt.imshow(img_fixed2_rgb)
plt.title(f"固定尺寸 {target_size2[1]}×{target_size2[0]}")
plt.axis("off")

plt.tight_layout()
plt.show()

3. 保持宽高比缩放（避免拉伸）

实际应用中常需保持原图宽高比（如适配屏幕、网络传输），需先计算合理的目标尺寸：

import cv2
import matplotlib.pyplot as plt

def resize_with_aspect_ratio(img, target_width=None, target_height=None, interpolation=cv2.INTER_LINEAR):
    """
    保持宽高比缩放图像
    :param img: 输入图像
    :param target_width: 目标宽度（二选一：target_width 或 target_height）
    :param target_height: 目标高度
    :param interpolation: 插值算法
    :return: 缩放后的图像
    """
    h, w = img.shape[:2]
    
    # 仅指定宽度：计算对应高度
    if target_width is not None and target_height is None:
        ratio = target_width / w
        new_h = int(h * ratio)
        new_w = target_width
    # 仅指定高度：计算对应宽度
    elif target_height is not None and target_width is None:
        ratio = target_height / h
        new_w = int(w * ratio)
        new_h = target_height
    # 未指定则返回原图
    else:
        return img
    
    return cv2.resize(img, (new_w, new_h), interpolation=interpolation)

# 1. 读取图像
img = cv2.imread("lena.jpg")
if img is None:
    print("无法读取图像，请检查路径！")
    exit()
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
h, w = img.shape[:2]

# 2. 保持宽高比缩放（2种场景）
img_ratio1 = resize_with_aspect_ratio(img, target_width=400, interpolation=cv2.INTER_LINEAR)  # 固定宽度400
img_ratio2 = resize_with_aspect_ratio(img, target_height=300, interpolation=cv2.INTER_CUBIC)  # 固定高度300

# 转换为RGB
img_ratio1_rgb = cv2.cvtColor(img_ratio1, cv2.COLOR_BGR2RGB)
img_ratio2_rgb = cv2.cvtColor(img_ratio2, cv2.COLOR_BGR2RGB)

# 3. 显示结果
plt.figure(figsize=(15, 6))
plt.subplot(1, 3, 1)
plt.imshow(img_rgb)
plt.title(f"原图 ({h}×{w})")
plt.axis("off")

plt.subplot(1, 3, 2)
plt.imshow(img_ratio1_rgb)
plt.title(f"固定宽度400 ({img_ratio1.shape[0]}×{img_ratio1.shape[1]})")
plt.axis("off")

plt.subplot(1, 3, 3)
plt.imshow(img_ratio2_rgb)
plt.title(f"固定高度300 ({img_ratio2.shape[0]}×{img_ratio2.shape[1]})")
plt.axis("off")

plt.tight_layout()
plt.show()

4. 不同插值算法效果对比

对比 4 种常用插值算法在放大 / 缩小时的效果差异：

import cv2
import matplotlib.pyplot as plt

# 1. 读取图像（缩小为小尺寸，再放大以凸显差异）
img = cv2.imread("lena.jpg")
img_small = cv2.resize(img, (50, 50), interpolation=cv2.INTER_AREA)  # 先缩小为50×50
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 2. 用不同插值算法放大到300×300
inter_methods = {
    "INTER_NEAREST": cv2.INTER_NEAREST,
    "INTER_LINEAR": cv2.INTER_LINEAR,
    "INTER_CUBIC": cv2.INTER_CUBIC,
    "INTER_LANCZOS4": cv2.INTER_LANCZOS4
}

img_inter = {}
for name, method in inter_methods.items():
    img_inter[name] = cv2.resize(img_small, (300, 300), interpolation=method)
    img_inter[name] = cv2.cvtColor(img_inter[name], cv2.COLOR_BGR2RGB)

# 3. 显示对比
plt.figure(figsize=(12, 10))
# 原图和缩小图
plt.subplot(2, 3, 1)
plt.imshow(img_rgb)
plt.title("原图")
plt.axis("off")
plt.subplot(2, 3, 2)
plt.imshow(cv2.cvtColor(img_small, cv2.COLOR_BGR2RGB))
plt.title("缩小到50×50")
plt.axis("off")

# 插值算法对比
for i, (name, img_inter_rgb) in enumerate(img_inter.items(), start=3):
    plt.subplot(2, 3, i)
    plt.imshow(img_inter_rgb)
    plt.title(name)
    plt.axis("off")

plt.tight_layout()
plt.show()

四、关键说明与应用场景

1. 常见问题与解决方案

• 图像拉伸 ：未保持宽高比导致，使用 resize_with_aspect_ratio 函数自动计算比例。
• 缩放后模糊 / 锯齿 ：缩小用 INTER_AREA、放大用 INTER_CUBIC/INTER_LANCZOS4 可改善。
• 速度慢 ：实时场景（如视频缩放）用 INTER_NEAREST 或 INTER_LINEAR，牺牲少量质量换取速度。
• 通道不匹配 ：彩色图缩放后仍为 3 通道，灰度图为 1 通道，无需额外处理（cv2.resize 自动适配）。

2. 典型应用场景

• 图像预处理：神经网络输入要求固定尺寸（如 224×224），需缩放图像适配。
• 多分辨率显示：同一图像在手机、电脑等不同设备上显示，需按屏幕尺寸缩放。
• 图像压缩：缩小图像尺寸可减少存储和传输带宽（如微信朋友圈图片压缩）。
• 视频处理：实时缩放视频帧（如直播推流时降低分辨率）。

五、注意事项

1. 尺寸格式 ：cv2.resize 的 dsize 是 (width, height)，而 OpenCV 图像的 shape 是 (height, width, channels)，避免混淆。
2. 数据类型 ：输入图像需为 uint8 类型（0~255），若为其他类型（如 float32），需先归一化到 0~255 再缩放。
3. 中文路径 ：避免图像路径包含中文或空格，否则 cv2.imread 可能返回 None（可改用 numpy 读取或修改路径）。
4. 超大图像缩放：对于万级像素的超大图像，建议先缩小比例再处理，避免内存溢出。

通过 cv2.resize() 函数结合不同插值算法和缩放策略，可满足绝大多数图像处理场景的缩放需求，掌握宽高比保持和插值算法选择是关键。