双线性插值法
作者：互联网
双线性插值法
前言
目标检测和语义分割的集大成者MaskRCNN提出了ROI Align，相比于Faster-RCNN中的ROIPooling，RA解决了区域不对称的问题，ROI Align引入了双线性插值的概念，同时它也是ROI Align的核心所在，在对于双线性插值进行讲解之前，我们先讨论常用的几种插值算法的概念。
一、什么是插值？
图片放大是图像处理中的一个特别基础的操作。在几乎每一个图片相关的项目中，从传统图像处理到深度学习，都有应用。生活里，和朋友通过微信传张图片，从图片发出，到朋友收到图片，查看图片，都会数次的的改变图像的尺寸，从而用到这个算法。但是大家只是在用这个算法，很少关注这个算法的实现细节：插值算法是如何工作的。
简单来说，插值指利用已知的点来“猜”未知的点，图像领域插值常用在修改图像尺寸的过程，由旧的图像矩阵中的点计算新图像矩阵中的点并插入，不同的计算过程就是不同的插值算法。
2.常用的插值算法
插值算法有很多种，这里列出关联比较密切的三种：
最近邻法(Nearest Interpolation)：计算速度最快，但是效果最差。
双线性插值(Bilinear Interpolation)：双线性插值是用原图像中4(22)个点计算新图像中1个点，效果略逊于双三次插值，速度比双三次插值快，属于一种平衡美，在很多框架中属于默认算法。
双三次插值(Bicubic interpolation)：双三次插值是用原图像中16(44)个点计算新图像中1个点，效果比较好，但是计算代价过大。
3.最近邻法(Nearest Interpolation)
双线性插值法由原图中4个点计算新图中的1个点，在介绍计算过程前，需要先了解如何找到这4个点，双线性插值法找寻4个点的方式和最近邻法相似，这里顺带的了解下最近邻法的计算流程。
最近邻法实际上是不需要计算新图像矩阵中点的数值的，直接找到原图像中对应的点，将数值赋值给新图像矩阵中的点，根据对应关系找到原图像中的对应的坐标，这个坐标可能不是整数，这时候找最近的点进行插值。对应关系如下：
变量含义如下：
执行效果如图：
3.1总结
上图效果是最近邻法的计算过程示意图，由上图可见，最近邻法不需要计算只需要寻找原图中对应的点，所以最近邻法速度最快，但是会破坏原图像中像素的渐变关系，原图像中的像素点的值是渐变的，但是在新图像中局部破坏了这种渐变关系。
3.2双线性插值对应关系
双线性插值的对应公式和前面的最近邻法一样，不一样的是根据对应关系不再是找最近的1个点，而是找最近的4个点，如下图所示。
4.单线性插值
已知中P1点和P2点，坐标分别为(x1, y1)、(x2, y2)，要计算 [x1, x2] 区间内某一位置 x 在直线上的y值
根据初中的知识，2点求一条直线公式(这是双线性插值所需要的唯一的基础公式)
经过简单整理成下面的格式：
首先看分子，分子可以看成x与x1和x2的距离作为权重，这也是很好理解的，P点与P1、P2点符合线性变化关系，所以P离P1近就更接近P1，反之则更接近P2。
现在再把公式中的分式看成一个整体，原式可以理解成y1与y2是加权系数，如何理解这个加权，要返回来思考一下，咱们先要明确一下根本的目的：咱们现在不是在求一个公式，而是在图像中根据2个点的像素值求未知点的像素值。这样一个公式是不满足咱们写代码的要求的。
现在根据实际的目的理解，就很好理解这个加权了，y1与y2分别代表原图像中的像素值，上面的公式可以写成如下形式：
5.双线性插值
已知Q11(x1,y1)、Q12(x1,y2)、Q21(x2,y1)、Q22(x2,y2)，求其中点P(x,y)的值。
双线性插值是分别在两个方向计算了共3次单线性插值（x轴两次、y轴一次），如图所示，先在x方向求2次单线性插值，获得R1(x, y1)、R2(x, y2)两个临时点，再在y方向计算1次单线性插值得出P(x, y)（实际上调换2次轴的方向先y后x也是一样的结果）。
1.x方向单线性插值 直接带入前一步单线性插值最后的公式
2.y方向单线性插值
将第一步结果带入第二步。
回顾一下上面双线性插值对应关系的图，不难发现，在计算中有这样的关系：
在有些资料中，会写成权重的形式，上面的展开式是下面的权重表达式的正确求法
这种权重的表达式也不难理解，观察一下可以发现每个点的权重都和待求点和对角点的距离有关，比如f(Q11)的权重与f(Q22)的坐标有关、f(Q12)的权重与f(Q21)的坐标有关。
标签：个点,邻法,插值法,线性插值,插值,算法,双线性,图像 来源： https://blog.csdn.net/m0_48504824/article/details/120856366