图像处理常用线性插值方法

图像处理中有一个常用的操作，叫做下采样，不同领域，不同场景有着不同的目的。比如深度学习中，会将输入进行池化操作，也即下采样，目的可以增加感受野，更好的利于目标检测；又比如我们在原图上进行图像操作，太耗费计算量了，我们可能不需要在原图而只在更小的1/4图上或者1/9图上就可以达到相同的目的，所以也会考虑进行下采样操作，将原图缩小。下采样的例子多之又多，应用之广泛。

但是这里存在一个问题，不管是下采样或者上采样，都将图像尺寸改变了，那么在改变后的图像尺寸空间中，图像的灰度值应该如何取舍呢？要知道图像是以像素为单位，即精度为1。经过尺寸变换后的点几乎不会正好落在原图某个点上，而是在几个点之间，这里就涉及到了如何根据周边的点来确定当前点的灰度值，这便是插值。

图1

图1中，P点为采样后新图像上某点对应在原图上的位置，然后根据周边相邻的Q11，Q12，Q22，Q21四个点来进行取值，此图可以说明最近邻插值和双线性插值。

1、最近邻插值

最近邻插值很简单，正如其名，最近的临近点，即与映射点P(x，y)最近的点值作为P点的灰度值，图1中Q11(x0，y0)与P点最近，所以此插值点从Q11处取值。最近邻插值计算量很小，速度很快。但由于没考虑到周围相邻点的影响，所以会导致图像质量变差，可能会出现马赛克和锯齿现象。

2、双线性插值

双线性插值需要做三次线性插值，可以先在x轴方向做两次线性插值，然后在插值的基础上在y轴方向再做一次线性插值即可得到最终的插值。这样计算量会比最近邻插值更大，但可以换取更高的图像质量。具体计算过程如图2所示：

图2

3、双三次插值

图3

双三次插值相对于前面两种插值方法，计算要更加的复杂。从参考临近的四个像素点取值，提升为参考周围十六个像素点的取值，所以插值也更加的准确可靠。总的来讲，是一种以权重来取值的思想，根据周边点距插值点的距离具有不同的权重。

如图3所示，插值点为(i+u，j+v)，此点插值计算公式如图4所示：

图4

插值权重核函数图像w(x)如图5所示：

图5