三种插值算法学习记录

三种插值算法学习记录

学习线性插值、双线性插值、双三次线性插值时整合归纳易于理解的资料：
1.线性插值
已知数据 (x0, y0) 与 (x1,y1)，要计算 [x0, x1] 区间内某一位置 x 在直线上的y值：用x和x0，x1的距离作为一个权重，用于y0和y1的加权。假设我们已知坐标(x0,y0)与(x1,y1),要得到[x0,x1]区间内某一位置x在直线上的y值。根据图中所示，假设AB上有一点（x,y），可作出两个相似三角形，我们得到（y-y0)/(y1-y0)=(x-x0)/(x1-x0)

2.双线性插值
本质上就是在两个方向上做线性插值。

在X方向上进行两次线性插值计算：

然后在Y方向上进行一次插值计算：

对于一个目的像素，设置坐标通过反向变换得到的浮点坐标为(i+u,j+v) (其中i、j均为浮点坐标的整数部分，u、v为浮点坐标的小数部分，是取值[0,1)区间的浮点数)，则这个像素得值 f(i+u,j+v) 可由原图像中坐标为 (i,j)、(i+1,j)、(i,j+1)、(i+1,j+1)所对应的周围四个像素的值决定，即：f(i+u,j+v) =(1-u)(1-v)f(i,j) + (1-u)vf(i,j+1) + u(1-v)f(i+1,j) + uvf(i+1,j+1)
其中f(i,j)表示原图像(i,j)处的的像素值，以此类推。
比如，假如目标图的像素坐标为（1，1），那么反推得到的对应于原图的坐标是（0.75 , 0.75）, 这其实只是一个概念上的虚拟像素,实际在源原中并不存在这样一个像素,那么目标图的像素（1，1）的取值不能够由这个虚拟像素来决定，而只能由原图的这四个像素共同决定：（0，0）（0，1）（1，0）（1，1），而由于（0.75,0.75）离（1，1）要更近一些，那么（1,1）所起的决定作用更大一些，这从公式1中的系数uv=0.75×0.75就可以体现出来，而（0.75,0.75）离（0，0）最远，所以（0，0）所起的决定作用就要小一些，公式中系数为(1-u)(1-v)=0.25×0.25也体现出了这一特点。

双线性插值的加速以及优化策略：
单纯按照上文实现的插值算法只能勉强完成插值的功能，速度和效果都不会理想，在具体代码实现的时候有些小技巧。参考OpenCV源码以及网上博客整理如下两点：

• 源图像和目标图像几何中心的对齐
  我们在原始的浮点坐标上加上0.5*(srcWidth/dstWidth-1)这样一个控制因子，这项的符号可正可负，与srcWidth/dstWidth的比值也就是当前插值是扩大还是缩小图像有关，有什么作用呢？看一个例子：假设源图像是33，中心点坐标（1，1）目标图像是99，中心点坐标（4，4），我们在进行插值映射的时候，尽可能希望均匀的用到源图像的像素信息，最直观的就是（4,4）映射到（1,1）现在直接计算srcX=4*3/9=1.3333！=1，也就是我们在插值的时候所利用的像素集中在图像的右下方，而不是均匀分布整个图像。现在考虑中心点对齐，srcX=(4+0.5)*3/9-0.5=1，刚好满足我们的要求。
• 将浮点运算转换成整数运算
  直接进行计算的话，由于计算的srcX和srcY 都是浮点数，后续会进行大量的乘法，而图像数据量又大，速度不会理想，解决思路是：浮点运算→→整数运算→→左右移按位运算。
  放大的主要对象是u，v这些浮点数，OpenCV选择的放大倍数是2048（左移11位）。如何取这个合适的放大倍数呢，要从三个方面考虑，第一：精度问题，如果这个数取得过小，那么经过计算后可能会导致结果出现较大的误差。第二，这个数不能太大，太大会导致计算过程超过长整形所能表达的范围。第三：速度考虑。假如放大倍数取为12，那么算式在最后的结果中应该需要除以1212=144，但是如果取为16，则最后的除数为1616=256，这个数字使得我们可以用右移二进制的小数点来实现，而右移要比普通的整除快多了。

参考：https://www.cnblogs.com/yssongest/p/5303151.html
https://handspeaker.iteye.com/blog/1545126
3.双三次插值
在双三次插值法中，我们选取的是最近的16个像素点作为计算目标图像B(X,Y)处像素值的参数。如图所示：

双三次插值的目的就是通过找到一种关系，或者说系数，可以把这16个像素对于B处像素值得影响因子找出来，从而根据这个影响因子来获得目标图像对应点的像素值，达到图像缩放的目的。
影响因子函数就是S(x)：

参考：https://blog.csdn.net/qq_29058565/article/details/52769497