系列文章目录
提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加
例如：第一章 Python 机器学习入门之pandas的使用
提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档
前言
之前解锁了在ESP32上布置OPENCV及一些人脸识别的应用，后面看看还有哪些应用可以尝试。
当然可能每个点都不是很大，更多的是记录一些过程。
一、热成像应用的插值运算
简单来说就是一个图像Resize的过程，只不过在热成像这个领域避免不了，主要是因为传感器价格比较贵，例如一个2432像素的传感器就200块钱左右了，如果是要做一个分辨率高一点的，仅传感器的成本就承担不了。所以就需要插值运算来强行提升分辨率。
不过插值运算对于初入行的童鞋并不友好，更多会涉及数学方面的知识，插值的算法也很多：双线性插值法、三次多项式插值、先双线性插值再三次多项式插值、先三次多项式插值再双线性插值等等。如果没有一些参考，从0开始码这块的代码会比较麻烦。而且一般的插值的运算都是4倍的关系，比如现在像素是2432，一次插值之后就是24324。如果是一些非4次幂的变换，还要额外考虑。所以会比较麻烦，而对于底层的嵌入式应用来说，相关的参考并不是很好找，所以这个时候就用到OPENCV提供的功能了。
二、热成像的插值运算过程
以2432变换到240320为例，步骤如下：。
1、从热成像传感器获取的数据，经过运算转成温度；
2、将温度数据转换为8位的灰度值，简单的计算方法就是取温度的最大值，最小值，按比例*255。
3、之后利用这些灰度值，创建MAT对象，再调用resize进行像素的变换。
4、之后再将转换后的灰度数据，转换成对应格式的RGB数据，也就是红外图像的伪彩色编码过程。
static Mat dstImage;
Mat inputImage(srcHeight, srcWidth, CV_8UC1, pSrcBuf);
resize(inputImage,dstImage,Size(dstWidth,dstHeight),0,0,INTER_LANCZOS4 );
resize可以选择的插值算法也有很多：
INTER_NEAREST 最近邻插值
INTER_LINEAR 双线性插值，默认值
INTER_CUBIC 双三次插值
INTER_AREA 使用像素面积关系重采样。图像变化时的首选方法
INTER_LANCZOS4 8x8 邻域的 Lanczos 插值
INTER_MAX 插值代码的掩码
WARP_FILL_OUTLIERS 标志，填充所有目标图像像素。如果其中一些对应于源图像中的异常值，则将它们设置为零
WARP_INVERSE_MAP 标志，逆变换
这些算法都可以尝试下，看看效果差别。按照官方的推荐要缩小图像，通常使用 INTER_AREA 插值看起来效果最好，而使用放大图像，通常使用 INTER_CUBIC或 INTER_LINEAR 。
小TIPS，在这个过程中先进行灰度插值，再伪彩色编码比较好，还是先伪彩色编码，再进行插值？试验过了，对先伪彩色编码再插值的图像效果很差，连续性比较差。原因其实跟伪彩色编码的算法有关，因为伪彩色编码都不是线性的，而是分段的，这样原图像的差，经过非线性放大，再进行插值后，与原来就不再成比例了。
总结
