双线性插值法

经过线性插值后，新图像每个像素值来自于原图像像素点的组合插值。

简单的斜率公式可知。

经过合并同类项后得到

已知 y 求 x 的过程与以上过程相同，只是 x 与 y 要进行交换。

由于像素间距离

双线性插值

在两个方向分别进行一次线性插值

我们以一个例子来介绍双线性插值原理:假如我们想得到未知函数f在点P=f(x, y)的值,设f在Q11=(x1, y1),Q12=(x1, y2),Q21=(x2,y1),Q22=(x2,y2)四个点的值。

首先在x方向上面线性插值，得到R2、R1：

, Where 

, Where 

然后以R2,R1在y方向上面再次线性插值：

这样就得到所要的结果 f(x, y)

因为双线性插值只会使用相邻的四个点，因此分母总是1，可以约取。

由于插值点不一定是整数，例如点(1.2, 3.4), 其相邻的四个点分别为（1.3）（2.3）（1.4）（2.4）

f(i+u, j+v) = (1-u)(1-v)f(i,j) + u(1-v)f(i+1,j)+(1-u)vf(i,j+1)+uvf(i+1,j+1)

 给定一个矩阵（图片本身就是一种矩阵），将1个 3 ∗ 3 尺寸的矩阵使用最近邻插值法到 4 ∗ 4

源图像与目标图像坐标的对应关系如下式

dst[0,1]对应的src位置如下：

src_x = 0 * (3 / 4) = 0
src_y = 1 * (3 / 4) = 0.75
u=0,v=0.75

得到的对应于源图的坐标是（0 , 0.75）, 这其实只是一个概念上的虚拟象素,实际在源图中并不存在这样一个象素,那么目标图的象素（0，1）的取值不能够由这个虚拟象素来决定，而只能由源图的这四个象素共同决定：（0，0）（0，1）（1，0）（1，1），
而由于（0,0.75）离（1，0）要更近一些，那么（1,0）所起的决定作用更大一些。

dst[0,1]=(1−0)(1−0.75)∗src[1,1]+(1−0)∗0.75∗src[1,0]+0∗(1−0.75)∗src[0,1]+0∗0.75∗src[0,0]
= 11 + 50 = 61
 

算法优化（待了解）
源图像和目标图像几何中心的对齐

SrcX=(dstX+0.5) * (srcWidth/dstWidth) -0.5

SrcY=(dstY+0.5) * (srcHeight/dstHeight)-0.5

代码实现
图像中的每个值都是通过双线性插值的方法得到的，首先生成一个空的目标图像大小的矩阵，然后往里面填值。

计算在源图上四个近邻点的位置

src_x = (dst_x + 0.5) * scale_x - 0.5
src_y = (dst_y + 0.5) * scale_y - 0.5

计算在源图上四个近邻点的位置

src_x_0 = int(np.floor(src_x))
src_y_0 = int(np.floor(src_y))
src_x_1 = min(src_x_0 + 1, src_w - 1)
src_y_1 = min(src_y_0 + 1, src_h - 1)
 

参考链接:https://zhuanlan.zhihu.com/p/49832048
参考链接:https://blog.csdn.net/siyue0211/article/details/92660001
参考链接:https://blog.csdn.net/m0_37799466/article/details/103890049
————————————————
版权声明：本文为CSDN博主「imxlw00」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/imxlw00/article/details/118118003