图像缩放中的插值算法——双线性插值原理及c++实现

github地址：https://github.com/2209520576/Image-Processing-Algorithm

首先感谢大牛博客：http://handspeaker.iteye.com/blog/1545126

                                https://www.cnblogs.com/yssongest/p/5303151.html

双线型内插值算法是一种比较好的图像缩放算法，它充分的利用了源图中虚拟点四周的四个真实存在的像素值来共同决定目标图中的一个像素值，因此缩放效果比简单的最邻近插值要好很多。

1、双线性内插值算法描述如下:
　　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)表示源图像(i,j)处的的像素值，以此类推。
　　比如，现在假如目标图的象素坐标为（1，1），那么反推得到的对应于源图的坐标是（0.75 , 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（1，1）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（0.75,0.75）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。

具体公式推导：

2、存在的问题：

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。
• 将浮点运算转换成整数运算

2.1 源图像和目标图像几何中心的对齐　（可参考：https://handspeaker.iteye.com/blog/1545126）　

　　方法：在计算源图像的虚拟浮点坐标的时候，一般情况：
　　srcX=dstX* (srcWidth/dstWidth) ,
　　srcY = dstY * (srcHeight/dstHeight)
　　中心对齐(OpenCV也是如此)：
　　SrcX=(dstX+0.5)* (srcWidth/dstWidth) -0.5
　　SrcY=(dstY+0.5) * (srcHeight/dstHeight)-0.5
　　原理：将公式变形，srcX=dstX* (srcWidth/dstWidth)+0.5*(srcWidth/dstWidth-1)
　　相当于我们在原始的浮点坐标上加上了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3*3，中心点坐标（1，1）目标图像是9*9，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。

2.2 将浮点运算转换成整数运算
　　可参考图像处理界双线性插值算法的优化
　　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“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12*12=144，但是如果取为16，则最后的除数为16*16=256，这个数字好，我们可以用右移来实现，而右移要比普通的整除快多了。”我们利用左移11位操作就可以达到放大目的。

3、代码：（做了中心对齐）

//双线性插值
sx,xy -- 缩放因子
void Inter_Linear(cv::Mat& src,cv::Mat& dst, double sx,double sy ){
	int dst_rows = round(sx*src.rows);
	int dst_cols = round(sy*src.cols);
	dst = cv::Mat(dst_rows,dst_cols,src.type());
	for (int i = 0; i < dst.rows; i++){
		//几何中心对齐
		double index_i = (i+0.5) / sx -0.5;
		//防止越界
		if (index_i<0) index_i = 0;
		if (index_i>=src.rows - 1) index_i = src.rows - 2;
		//相邻4*4像素的行（坐标）
		int i1 = floor(index_i);
		int i2 = ceil(index_i);
		//u为得到浮点型坐标行的小数部分
		double u = index_i - i1;
		for (int j = 0; j < dst.cols; j++){
			//几何中心对齐
			double index_j = (j+0.5) / sy -0.5;
			//防止越界
			if (index_j<0) index_j = 0;
			if (index_j>=rc.cols - 1) index_j = src.cols - 2;
			//相邻4*4像素的列（坐标）
			int j1 = floor(index_j);
			int j2 = ceil(index_j);
			//v为得到浮点型坐标列的小数部分
			double v = index_j - j1;
			if (src.channels() == 1){
				//灰度图像
				dst.at<uchar>(i, j) = (1 - u)*(1 - v)*src.at<uchar>(i1, j1) + (1 - u)*v*src.at<uchar>(i1, j2) + u*(1 - v)*src.at<uchar>(i2, j1) + u*v*src.at<uchar>(i2, j2);
			}
			else{
				//彩色图像
				dst.at<cv::Vec3b>(i, j)[0] = (1 - u)*(1 - v)*src.at<cv::Vec3b>(i1, j1)[0] + (1 - u)*v*src.at<cv::Vec3b>(i1, j2)[0] + u*(1 - v)*src.at<cv::Vec3b>(i2, j1)[0] + u*v*src.at<cv::Vec3b>(i2, j2)[0];
				dst.at<cv::Vec3b>(i, j)[1] = (1 - u)*(1 - v)*src.at<cv::Vec3b>(i1, j1)[1] + (1 - u)*v*src.at<cv::Vec3b>(i1, j2)[1] + u*(1 - v)*src.at<cv::Vec3b>(i2, j1)[1] + u*v*src.at<cv::Vec3b>(i2, j2)[1];
				dst.at<cv::Vec3b>(i, j)[2] = (1 - u)*(1 - v)*src.at<cv::Vec3b>(i1, j1)[2] + (1 - u)*v*src.at<cv::Vec3b>(i1, j2)[2] + u*(1 - v)*src.at<cv::Vec3b>(i2, j1)[2] + u*v*src.at<cv::Vec3b>(i2, j2)[2];
			}
		}
	}
}

效果：

原图：

缩放因子：1.5

缩放因子：0.35