图像处理之三种常见双立方插值算法

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

详解几种常见的双立方插值技术！好东西记得分享

图像插值技术概述

图像插值技术在图像几何变换、透视变换等过程中是必不可少的技术环节，可以说像素插值方法最终决定变换之后的图像质量高低。常见的插值方法有

• 临近点插值

• 双线性插值

• 双立方插值

• 内插值

• 三角插值

等插值方法。

其中双立方插值效果比较好而在很多高质量图像变换中得到广泛应用，根据插值之后效果的不一样的，双立方插值可以分为几种插值方式。首先来看一下双立方插值基本解释与说明。双立方插值计算涉及到16个像素点，其中(i’, j’)表示待计算像素点在源图像中的包含小数部分的像素坐标，dx表示X方向的小数坐标，dy表示Y方向的小数坐标。具体可以看下图：

根据上述图示与双立方插值的数学表达式可以看出，双立方插值本质上图像16个像素点权重卷积之和作为新的像素值。其中R(x)表示插值表达式，可以根据需要选择的表达式不同。常见有基于三角取值、Bell分布表达、B样条曲线表达式。

三角插值法

基于三角形采样数学公式为

代码实现如下：

f = f / 2.0;
if( f < 0.0 )
{
    return ( f + 1.0 );
}
else
{
    return ( 1.0 - f );
}

Bell分布插值

基于Bell分布采样的数学公式如下

Bell分布采样数学公式基于三次卷积计算实现。代码实现如下

double f = ( x / 2.0 ) * 1.5;
if( f > -1.5 && f < -0.5 )
{
    return( 0.5 * Math.pow(f + 1.5, 2.0));
}
else if( f > -0.5 && f < 0.5 )
{
    return 3.0 / 4.0 - ( f * f );
}
else if( ( f > 0.5 && f < 1.5 ) )
{
    return( 0.5 * Math.pow(f - 1.5, 2.0));
}
return 0.0;

B样条曲线插值

基于B样条曲线采样的数学公式如下：

是一种基于多项式的四次卷积的采样计算，代码如下：

if( f < 0.0 )
{
    f = -f;
}

if( f >= 0.0 && f <= 1.0 )
{
    return ( 2.0 / 3.0 ) + ( 0.5 ) * ( f* f * f ) - (f*f);
}
else if( f > 1.0 && f <= 2.0 )
{
    return 1.0 / 6.0 * Math.pow( ( 2.0 - f  ), 3.0 );
}
return 1.0;

插值代码与总结

插值调用的代码如下：

for (int row = 0; row < destH; row++) {
    int ta = 0, tr = 0, tg = 0, tb = 0;
    double srcRow = ((float) row) * rowRatio;
    // 获取整数部分坐标 row Index
    double j = Math.floor(srcRow);
    // 获取行的小数部分坐标
    double t = srcRow - j;
    for (int col = 0; col < destW; col++) {
        double srcCol = ((float) col) * colRatio;
        // 获取整数部分坐标 column Index
        double k = Math.floor(srcCol);
        // 获取列的小数部分坐标
        double u = srcCol - k;
        double[] rgbData = new double[3];
        double rgbCoffeData = 0.0;
        for(int m=-1; m<3; m++)
        {
            for(int n=-1; n<3; n++)
            {
                int[] rgb = getPixel(j+m, k+n, width, height, inPixels);
                double f1 = 0.0d;
                double f2 = 0.0d;
                if(type == TRIANGLE__INTERPOLATION)
                {
                    f1  = triangleInterpolation( ((double) m ) - t );
                    f2 = triangleInterpolation ( -(( (double) n ) - u ) );  
                }
                else if(type == BELL__INTERPOLATION)
                {
                    f1  = bellInterpolation( ((double) m ) - t );
                    f2 = bellInterpolation ( -(( (double) n ) - u ) );  
                }
                else if(type == BSPLINE__INTERPOLATION)
                {
                    f1  = bspLineInterpolation( ((double) m ) - t );
                    f2 = bspLineInterpolation ( -(( (double) n ) - u ) );   
                }
                else
                {
                    f1  = CatMullRomInterpolation( ((double) m ) - t );
                    f2 = CatMullRomInterpolation ( -(( (double) n ) - u ) );                            
                }
                // sum of weight
                rgbCoffeData += f2*f1;
                // sum of the RGB values
                rgbData[0] += rgb[0] * f2 * f1;
                rgbData[1] += rgb[1] * f2 * f1;
                rgbData[2] += rgb[2] * f2 * f1;
            }
        }
        ta = 255;
        // get Red/green/blue value for sample pixel
        tr = (int) (rgbData[0]/rgbCoffeData);
        tg = (int) (rgbData[1]/rgbCoffeData);
        tb = (int) (rgbData[2]/rgbCoffeData);
        index = row * destW + col;
        outPixels[index] = (ta << 24) | (clamp(tr) << 16)
                | (clamp(tg) << 8) | clamp(tb);
    }
}

基于这里三种方法实现的双立方插值以后图片跟原图像相比，都有一定模糊

这里时候可以通过后续处理实现图像锐化与对比度提升即可得到Sharpen版本

当然也可以通过寻找更加合适的R(x)函数来实现双立方卷积插值过程时保留

图像边缘与对比度。

小白团队出品：零基础精通语义分割↓↓↓

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~