双线性插值公式推导

最新推荐文章于 2023-09-12 17:53:17 发布

佘佘佘

最新推荐文章于 2023-09-12 17:53:17 发布

阅读量958

点赞数 2

文章标签： tensorflow 深度学习

本文链接：https://blog.csdn.net/weixin_40825364/article/details/115489317

版权

    Ia = input_img[np.arange(B)[:,None,None], y0, x0]
    Ib = input_img[np.arange(B)[:,None,None], y1, x0]
    Ic = input_img[np.arange(B)[:,None,None], y0, x1]
    Id = input_img[np.arange(B)[:,None,None], y1, x1]
    
    wa = (x1-x) * (y1-y)
    wb = (x1-x) * (y-y0)
    wc = (x-x0) * (y1-y)
    wd = (x-x0) * (y-y0)
    
    wa = np.expand_dims(wa, axis=3)
    wb = np.expand_dims(wb, axis=3)
    wc = np.expand_dims(wc, axis=3)
    wd = np.expand_dims(wd, axis=3)
    
    out = wa*Ia + wb*Ib + wc*Ic + wd*Id

在双线性插值中出了这几行代码，这个wa,wb,wc,wd为什么是这些坐标相减后的乘积。那么out怎么就等于wa*Ia+wb*Ib+wc*Ic+wd*Id,关于这个问题，网上给出的解释很少，那么在这里我具体的推导一下。

单线性插值:

原理网上有很多，我们这里只推导公式

$K=\frac{y2-y1}{x2-x1}$ (斜率公式)

$y-y1 = \frac{y2-y1}{x2-x1}\cdot (x-x1)$ （直线公式）

$b= \frac{a-x1}{x2-x1}\cdot (y2-y1)+y1$ (将点（a,b）代入公式)

$b=\frac{d1}{d1+d2}\cdot (y2-y1)+y1$ (用图中d1，d2代替)

$b=\frac{d1}{d1+d2}\cdot y2+\frac{d2}{d1+d2}\cdot y1$

双线性插值:

$f(I)=\frac{d1}{d1+d2}f(B)+\frac{d2}{d1+d2}f(A)$

$f(J)=\frac{d1}{d1+d2}f(D)+\frac{d1}{d1+d2}f(C)$

$f(P)=\frac{d3}{d3+d4}f(J)+\frac{d4}{d3+d4}f(I)$

$f(P)=\frac{(y1-y)(x1-x)f(A)+(y1-y)(x-x0)f(B)+(y-y0)(x1-x)f(C)+(y-y0)(x-x0)f(D)}{(d1+d2)(d3+d4)}$

注意咱们在做双线性插值都是在临近的四个点算的，也就是d1+d2=1,d3+d4=1。所以咱们f(P)的分母为1。则可进一步化简为

$f(P)=(y1-y)(x1-x)f(A)+(y1-y)(x-x0)f(B)+(y-y0)(x1-x)f(C)+(y-y0)(x-x0)f(D)$

这样也就解释了out=wa*Ia+wb*Ib+wc*Ic+wd*Id

佘佘佘

关注

2
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
双线性插值公式推导

Ia = input_img[np.arange(B)[:,None,None], y0, x0] Ib = input_img[np.arange(B)[:,None,None], y1, x0] Ic = input_img[np.arange(B)[:,None,None], y0, x1] Id = input_img[np.arange(B)[:,None,None], y1, x1] wa = (x1-x) * (y1-y) wb = ...
复制链接

扫一扫