Android中按图片像素缩放图片的一种方法。通过这种方式，可以按像素缩放图片，巧妙避免加载大图可能发生OOM的情况。 
 try { 
 BitmapFactory.Options options = new BitmapFactory.Options(); 
 options.inJustDecodeBounds = true;//设置true后，位图并没有真正加载到内容，仅仅获取所必要的参数 
 mBitmap = BitmapFactory.decodeFile(path,options);//path为文件路径 
 options.inJustDecodeBounds = false; 
 int be = (int)(options.outHeight/ (float)200);//设置打开图片高度为200像素 
 if (be <= 0) 
 be = 1; 
 options.inSampleSize = be; 
 
        mDstBmp= BitmapFactory.decodeFile(path,options);
       options.inJustDecodeBounds = false;//真正将图片加载到内存 

    } catch (Exception e) {  
        Toast.makeText(getApplicationContext(), "图片打开错误",  
                Toast.LENGTH_SHORT).show();  
    }  

很久没发文章啦，
 
昨天在开发的时候遇到了这样一个问题，后来翻阅找到了这样一种解释，先举个栗子：
 
iphone4 的dpr 公认的是1.0 我们在CSS上面设置1px，然后其在屏幕上呈现结果就是1px。而iphone5的dpr是2.0，所以我们在开发的时候在CSS里面设置了1px的时候就是会放大2倍，所以1个csspx会用1*2的平方即4个设备像素来展示(记住X，Y两个方向都是放大2倍的，本来一个像素点的显示就被放大到四个像素点来显示了。    但是！！！css 中的 px 不是物理像素. css px 和物理像素的对应关系, 他是与 viewport 的缩放有关.在理想 viewport 下, dpr 就是 css px 与物理像素的比例, 因而可以推导出在其他缩放比例下 css px 与物理像素的换算关系了. 例如在 scale=1/dpr 缩放下, css px 与物理像素一一应在现代的工作流程中, 设计师和程序员都不需要 (太) 关注物理像素.
 

 
 

 
 

 

At zoom level 100% one CSS pixel is exactly equal to one device pixel

前言
 
在图像处理中有的图片较大，像素点很多，导致图像的像素矩阵维度过高，以至于计算机处理的速度较慢。
 
此时需要对图像的像素点进行策略性的减少，但是不能丢失图像的特征：
 
这里提供两个方法，1、是将图像的通过特定的卷积核将图像进行降维，例如将1000*1000的图片降维为200*200的图片。
 
                                 2、通过OpenCV中resize()函数对图片进行’缩放‘,该方法可以通过参数调制实现不同的缩放功能，本文针对这种方法进行图像像素矩阵的缩放。
 
.size()参数说明
 
cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]]) 
 
重要的参数为src,dsize,interpolation
 
src - 原图
 
dst - 目标图像。当参数dsize不为0时，dst的大小为size；否则，它的大小需要根据src的大小，参数fx和fy决定。dst的类型（type）和src图像相同(可选，不填写即直接返回被缩放后的图)
 
dsize - 目标图像大小。当dsize为0时，它可以通过以下公式计算得出：
 
 
所以，参数dsize和参数(fx, fy)不能够同时为0
 
fx - 水平轴上的比例因子。当它为0时，计算公式如下：
 
 
fy - 垂直轴上的比例因子。当它为0时，计算公式如下：
 
 
 
 
interpolation - 插值方法。共有5种：
 
１）INTER_NEAREST - 最近邻插值法
 
２）INTER_LINEAR - 双线性插值法（默认）
 
３）INTER_AREA - 基于局部像素的重采样（resampling using pixel area relation）。对于图像抽取（image decimation）来说，这可能是一个更好的方法。但如果是放大图像时，它和最近邻法的效果类似。
 
４）INTER_CUBIC - 基于4x4像素邻域的3次插值法
 
５）INTER_LANCZOS4 - 基于8x8像素邻域的Lanczos插值
 
实现
 
import cv2 as cv
import os
from sklearn import svm
import matplotlib.pyplot as plt
import numpy as np

def showImage(img):
    cv.namedWindow('img', 0)
    cv.resizeWindow('img', 600,400)
    cv.imshow("img", img)
    cv.waitKey()

img = cv.imread('D:\\dataFile\\traindata\\OCSvm\\test.jpg',1)
showImage(img)
print('原图的shape',img.size)

def changeImage(img, pra):
    #pra为缩放的倍率
    height, width = img.shape[:2]
    #此处要做integer强转,因为.resize接收的参数为形成新图像的长宽像素点个数
    size = (int(height*pra), int(width*pra))
    img_new = cv.resize(img, size, interpolation=cv.INTER_AREA)
    return img_new

showImage(changeImage(img, 0.5))
#缩放倍率为0.5,即将原图的长宽都减少一半
print('缩放后的shape',changeImage(img, 0.5).size)
 
 结果为：
 
runfile('D:/PythonFile/OneClassSVM/imgtest.py', wdir='D:/PythonFile/OneClassSVM')
原图的shape 1000000
缩放后的shape 250000
 
原图为：
 
 
处理之后的图为：
 
 
虽然图片变得模糊了一点，但是人骑着摩托车的意思还是没有变。如果让模型学习人骑着摩托车的特征，处理之后的图片还是可以hold住的，不需要高清无码的图，以便减少计算量。