如何使用Python将像素化图像转换为高分辨率且边缘平滑的图像

完全可以实现该需求，针对下料算法的场景优先推荐矢量转换方案，比栅格超分辨率更适配后续的排列组合计算需求，两种可用方案的实现方式如下：

方案1：矢量转换方案（优先推荐） #

下料算法核心需要精确的轮廓坐标，转矢量后可以无限放大不失真，边缘完全平滑，后续计算时直接调用路径坐标即可，不需要处理像素信息，计算效率更高。

依赖安装 #

pip install opencv-python numpy pypotrace

实现步骤 #

• 第一步：对输入的像素化图像做二值化预处理，分离前景轮廓和背景
• 第二步：用Potrace轮廓跟踪算法提取矢量路径
• 第三步：可直接导出为SVG矢量图，或渲染为任意分辨率的平滑栅格图，也可以直接提取路径坐标输入到下料算法中

示例代码 #

import cv2
import numpy as np
import potrace

# 读取像素化图像
img = cv2.imread("pixel_input.png", 0)
# 二值化处理
_, binary_img = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
# 转换为potrace支持的位图格式
bmp = potrace.Bitmap(binary_img // 255)
# 跟踪轮廓生成矢量路径，alphamax控制曲线平滑度，数值越大平滑度越高
path = bmp.trace(alphamax=1, turdsize=2)

# 渲染为任意分辨率的高清平滑图（示例为放大4倍）
scale = 4
output_size = (img.shape[1]*scale, img.shape[0]*scale)
output_img = np.ones(output_size[::-1], dtype=np.uint8)*255
for curve in path:
    # 坐标按比例放大
    points = (np.array(curve.tesselate()).T * scale).astype(np.int32)
    cv2.fillPoly(output_img, [points], 0)
# 保存高清结果图
cv2.imwrite("smooth_output.png", output_img)

# 也可以直接提取路径的坐标点给下料算法调用
# contour_points = [np.array(curve.tesselate()) for curve in path]

方案2：栅格超分辨率+边缘平滑方案 #

如果你的下料算法基于图像像素匹配，需要输出高清栅格图，可以用轻量超分辨率模型结合边缘保留平滑实现

依赖安装 #

pip install opencv-python opencv-contrib-python numpy

示例代码 #

import cv2
import numpy as np

# 初始化超分辨率模型，示例为EDSR轻量模型，放大4倍
sr = cv2.dnn_superres.DnnSuperResImpl_create()
# 提前将EDSR_x4.pb模型文件存放到本地路径后读取
sr.readModel("EDSR_x4.pb")
sr.setModel("edsr", 4)

# 读取输入图
img = cv2.imread("pixel_input.png")
# 超分辨率放大
upscaled = sr.upsample(img)
# 边缘保留平滑，消除锯齿同时保留轮廓清晰度
smooth = cv2.bilateralFilter(upscaled, d=9, sigmaColor=75, sigmaSpace=75)
# 保存结果
cv2.imwrite("highres_output.png", smooth)

方案选择建议 #

• 下料算法基于几何轮廓坐标计算的，选方案1，精度更高，后续计算效率提升更明显
• 下料算法基于图像特征匹配的，选方案2

内容的提问来源于stack exchange，提问作者Pervez