week1 作业记录 双线性上采样

Target

1. 安装python环境，安装numpy,pytorch等库、
2. 跑通老师提供的双线性插值循环版本upsampling.ipynb
3. 用numpy实现双线性插值的矩阵版本（函数提示:np_mgrid,np.clip, np.expand_dims
4. 测试双线性插值循环版和矩阵版本的运行时间和结果差异（参考陈老师提供的nearest的代码)
   提交要求：
5. 提交双线性插值矩阵版本的python代码（建议.py 或 .ipynb格式)
6. 提交两个版本的运行时间和结果差异截图

过程记录

跑通没什么问题，总结一下代码中各种upsample的方法。

1. unpooling

这个是直接给了一个scale放大系数，细节就是在目标大小图像中填值的时候，使步长为scale。

def unpooling(src, scale):
    '''
    src: input image
    scale: dst_size / src_size , int
    
    直接扩大图像，在没有值的地方补零。
    随着scale变大，要补的0越来越多，图像整体会越来越暗。
    '''
    ## 判断scale，只能upsample整数倍的size
    assert isinstance(scale, int)
    
    src_h, src_w, channel = src.shape
    dst_h = src_h * scale
    dst_w = src_w * scale
    dst = np.zeros((dst_h, dst_w, channel), dtype=src.dtype)
    dst[::scale, ::scale] = src
    return dst

img_u = unpooling(img, 2)

# 改scale为1测试，dif为0
# print('Difference: ', ((img_u - img)**2).sum())

cv2.imshow('show', img_u)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. nearest interpolation

近邻插值，在目标图像中的每个点处，插入最近位置的源图像中的像素值。核心思想就是先找到目标图的当前坐标在源图像中的位置，数学关系是：src_x + 0.5 = (dst_x + 0.5) / x_scale

# 矩阵版本 nearest upsample
def nearest_interpolation_v2(src, dst_size):
    src_h, src_w,