图像插值算法——双立方（三次）卷积插值

双立方（三次）卷积插值是一种数据点插值方法。

在对图像进行缩放，旋转等处理时，有些像素点会因为这些操作变得没有意义，比如二维图像A（2*2）放大为原来的二倍后B（4*4）就会缺失一些像素，如图所示：

                        

图中白色区域就应进行插值操作。对比双线性插值和最近邻插值，双立方（三次）卷积插值具有更平滑的插值效果，但速度更慢，本文将对他进行介绍。

原论文地址：http://ncorr.com/download/publications/keysbicubic.pdf

本文将用到卷积的知识，不懂卷积的同学可以参考百度。。。

双立方卷积插值将用到原图的15个邻域像素点（下图中0,0的15个邻域像素），了解双线性插值的同学可以和做一下对比。

1.找到原图中的目标像素点和其15个邻域点

插值的第一步是找到目标差值图中的目标像素点（就是上面图B中的白色像素点）对应的原图中的像素点A，然后对原图像素点A和其15个邻域像素点进行卷积操作。

如何找到原图中的对应像素点A呢？我们将用缺失的像素点通过反向映射找到原图中最接近的的像素点。

比如，缺失像素点为（3.3,3.3），反向映射到原图中的像素点为（1.1,1.1）那么离（1.1,1.1）最接近的像素点为（1,1）。

（1,1）则为原图中的对应像素点A。如果映射到原图为（1.9,1.9）那么最近像素点就为（2,2）。

我们也可以把目标图像的像素点映射到原图的像素点写成（i+v,j+u）的形式，上述例子就可以写成（1+0.1,1+0.1）

2.卷积操作

上面介绍了如何找到原图对应的像素点和邻域。接下来就要用到这些点进行卷积操作了：

先介绍公式，推导过程在原论文中，这里不做过多描述：

F()就是插值后对应坐标的值（我们要求得缺失像素点），它由三部分A，B，C相乘而得到。

此公式也等价于：

有同学可能会问，这里的S()和f()分别指什么，f()很好理解，就是原图目标点和对应15个邻域点的值，S()则是卷积公式。

这里采用的卷积公式是（来自维基）：

这里的a可以取不同值用来逼近不同函数（常用-0.5，-0.75），通过这个公式就可以简单的计算出插值后的对应坐标值，也就是我们要求的缺失像素点了。

双立方（三次）卷积插值对图像插值效果平滑，但速度慢。这篇文章只对它进行了使用上的介绍，原理可以参考原论文：

http://ncorr.com/download/publications/keysbicubic.pdf

和这两篇解释：

https://blog.csdn.net/u010510549/article/details/62427122?ops_request_misc=%25257B%252522request%25255Fid%252522%25253A%252522160921097516780266265918%252522%25252C%252522scm%252522%25253A%25252220140713.130102334..%252522%25257D&request_id=160921097516780266265918&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-2-62427122.first_rank_v2_pc_rank_v29&utm_term=%E4%B8%89%E6%AC%A1%E5%8D%B7%E7%A7%AF%E6%8F%92%E5%80%BC

https://blog.csdn.net/shiyimin1/article/details/80141333

参考资料：

https://en.wikipedia.org/wiki/Bicubic_interpolation

https://blog.csdn.net/u010979495/article/details/78428898?ops_request_misc=%25257B%252522request%25255Fid%252522%25253A%252522160921171116780261947979%252522%25252C%252522scm%252522%25253A%25252220140713.130102334..%252522%25257D&request_id=160921171116780261947979&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~baidu_landing_v2~default-2-78428898.first_rank_v2_pc_rank_v29&utm_term=%E5%8F%8C%E7%AB%8B%E6%96%B9%E5%8D%B7%E7%A7%AF%E6%8F%92%E5%80%BC