双线性插值算法的详细总结

时间 2020-02-11 标签双线性插值算法详细总结

最近在作视频拼接的项目，里面用到了图像的单应性矩阵变换，在最后的图像重映射，因为目标图像的坐标是非整数的，因此须要用到插值的方法，用的就是双线性插值，下面的博文主要是查看了前辈的博客对双线性插值算法原理进行了一个总结，在这里也感谢一些大牛的博文。html

http://www.cnblogs.com/linkr/p/3630902.html
算法

http://www.cnblogs.com/funny-world/p/3162003.html
编程

双线性插值app

假设源图像大小为mxn，目标图像为axb。那么两幅图像的边长比分别为：m/a和n/b。注意，一般这个比例不是整数，编程存储的时候要用浮点型。目标图像的第（i,j）个像素点（i行j列）能够经过边长比对应回源图像。其对应坐标为（i*m/a,j*n/b）。显然，这个对应坐标通常来讲不是整数，而非整数的坐标是没法在图像这种离散数据上使用的。双线性插值经过寻找距离这个对应坐标最近的四个像素点，来计算该点的值（灰度值或者RGB值）。函数

若图像为灰度图像，那么（i，j）点的灰度值的数学计算模型是：spa

f(x,y)=b1+b2x+b3y+b4xy视频

其中b1,b2,b3,b4是相关的系数。关于其的计算过程以下以下：htm

如图，已知Q12，Q22，Q11，Q21，可是要插值的点为P点，这就要用双线性插值了，首先在x轴方向上，对R1和R2两个点进行插值，这个很简单，而后根据R1和R2对P点进行插值，这就是所谓的双线性插值。blog

附：维基百科--双线性插值：ip

双线性插值，又称为双线性内插。在数学上，双线性插值是有两个变量的插值函数的线性插值扩展，其核心思想是在两个方向分别进行一次线性插值。

假如咱们想获得未知函数在点 $P=\left( x, y\right)$ 的值，假设咱们已知函数在 $Q_{11} = \left( x_1, y_1 \right)$ , $Q_{12} = \left( x_1, y_2 \right)$ , $Q_{21} = \left( x_2, y_1 \right)$ , 及 $Q_{22} = \left( x_2, y_2 \right)$ 四个点的值。

首先在 x 方向进行线性插值，获得

$f(R_1) \approx \frac{x_2-x}{x_2-x_1} f(Q_{11}) + \frac{x-x_1}{x_2-x_1} f(Q_{21}) \quad\mbox{Where}\quad R_1 = (x,y_1),$

$f(R_2) \approx \frac{x_2-x}{x_2-x_1} f(Q_{12}) + \frac{x-x_1}{x_2-x_1} f(Q_{22}) \quad\mbox{Where}\quad R_2 = (x,y_2).$

而后在 y 方向进行线性插值，获得

$f(P) \approx \frac{y_2-y}{y_2-y_1} f(R_1) + \frac{y-y_1}{y_2-y_1} f(R_2).$

这样就获得所要的结果 $f \left( x, y \right)$ ,

$f(x,y) \approx \frac{f(Q_{11})}{(x_2-x_1)(y_2-y_1)} (x_2-x)(y_2-y) + \frac{f(Q_{21})}{(x_2-x_1)(y_2-y_1)} (x-x_1)(y_2-y)$

$+ \frac{f(Q_{12})}{(x_2-x_1)(y_2-y_1)} (x_2-x)(y-y_1) + \frac{f(Q_{22})}{(x_2-x_1)(y_2-y_1)} (x-x_1)(y-y_1).$

若是选择一个坐标系统使得的四个已知点坐标分别为 (0, 0)、(0, 1)、(1, 0) 和 (1, 1)，那么插值公式就能够化简为

$f(x,y) \approx f(0,0) \, (1-x)(1-y) + f(1,0) \, x(1-y) + f(0,1) \, (1-x)y + f(1,1) xy.$

或者用矩阵运算表示为

$f(x,y) \approx \begin{bmatrix}1-x & x \end{bmatrix} \begin{bmatrix}f(0,0) & f(0,1) \\f(1,0) & f(1,1) \end{bmatrix} \begin{bmatrix}1-y \\y \end{bmatrix}$

这种插值方法的结果一般不是线性的，线性插值的结果与插值的顺序无关。首先进行 y 方向的插值，而后进行 x 方向的插值，所获得的结果是同样的。

opencv和Matlab中的双线性插值

这部分的前提是，你已经明白什么是双线性插值而且在给定源图像和目标图像尺寸的状况下，能够用笔计算出目标图像某个像素点的值。固然，最好的状况是你已经用某种语言实现了网上一大堆博客上原创或转载的双线性插值算法，而后发现计算出来的结果和matlab、openCV对应的resize（）函数获得的结果彻底不同。

那这个到底是怎么回事呢？

其实答案很简单，就是坐标系的选择问题，或者说源图像和目标图像之间的对应问题。

按照网上一些博客上写的，源图像和目标图像的原点（0，0）均选择左上角，而后根据插值公式计算目标图像每点像素，假设你须要将一幅5x5的图像缩小成3x3，那么源图像和目标图像各个像素之间的对应关系以下：

只画了一行，用作示意，从图中能够很明显的看到，若是选择右上角为原点（0，0），那么最右边和最下边的像素实际上并无参与计算，并且目标图像的每一个像素点计算出的灰度值也相对于源图像偏左偏上。

那么，让坐标加1或者选择右下角为原点怎么样呢？很不幸，仍是同样的效果，不过此次获得的图像将偏右偏下。

最好的方法就是，两个图像的几何中心重合，而且目标图像的每一个像素之间都是等间隔的，而且都和两边有必定的边距，这也是matlab和openCV的作法。以下图：

若是你不懂我上面说的什么，不要紧，只要在计算对应坐标的时候改成如下公式便可，

int x=(i+0.5)*m/a-0.5

int y=(j+0.5)*n/b-0.5

代替

int x=i*m/a

int y=j*n/b

利用上述公式，将获得正确的双线性插值结果