18.双线性插值缩放算法的matlab与FPGA实现（一）

一篇文章为你讲透双线性插值

简介

1.什么是插值

  图片放大是图像处理中的一个特别基础的操作。几乎在每一个图片相关的项目中，从传统图像处理到i深度学习，都有应用。
  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，由下图是双线性插值的效果。

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：
    （1）最近邻法（Nearest Interpolation）：计算速度最快，但是效果最差。
    （2）双线性插值（Bilinear Interpolation）：双线性插值是用原图像中4（2x2）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。
    （3）双三次插值（Bicubic interpolation）：双三次插值是用原图像中16(4x4)个点计算新图像中1个点，效果比较好，但是计算代价过大。

插值算法介绍

2.1最近邻法（Nearest Interpolation）

  最近邻算法不需要计算新图像中矩阵中点的数值，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：

  上图效果是最近邻法的计算过程示意图，由上图可见，最近邻法只是把最外围的像素复制了一遍。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，原图像中的值是渐变的，但是在新图像中局部破坏了这种渐变关系。

2.2 双线性插值对应的关系

  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一个点，而是找最近的四个点，如下图所示：

  这里我们根据四个点来计算一个点，这一个点是根据单线性插值在两个不同方向上计算出来的。下面先介绍以下单线性插值。

2.2.1 单线性插值

已知图像中P1和P2两个点，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）。
$$\frac{y-y_1}{x-x_1}=\frac{y_2-y_1}{x_2-x_1}\text{\hspace{1em}(1)}$$
  经过简单整理成下面的格式：
$$y=\frac{x_2-x}{x_2-x_1}{y}_1+\frac{x-x_1}{x_2-x_1}{y}_2\text{\hspace{1em}(2)}$$
  这里没有写成经典的AX+B的形式，因为这种形式从权重的角度很好理解。
  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点符合线性变化的关系，所以P离P1近就更接近P1，离P2近就更接近P2。
  现在再把公式中的分式看作是一个整体，原式可以理解成y1和y2的加权系数，如何理解这个加权系数呢，要返回来思考一下，先明确根本目的：我们是要在图像中根据两个已知的像数值求未知点的像数值。这样一个公式是不满足写代码的需求的，图中的y1和y2分别代表原图像中的像素值，上面的公式可以写成如下格式。
$$f(P)=\frac{x_2-x}{x_2-x_1}f(P_1)+\frac{x-x_1}{x_2-x_1}f(P_2)\text{\hspace{1em}(3)}$$

2.2.2 双线性插值

  已知 Q 11 ( x 1 , y 1 ) 、 Q 12 ( x 1 , y 2 ) 、 Q 2 , 1 ( x 2 , y 1 ) 、 Q 22 ( x 2 , y 2 ) Q_{11}(x_1,y_1)、Q_{12}(x_1,y_2)、Q_{2,1}(x_2,y_1)、Q_{22}(x_2,y_2) Q11​(x1​,y1​)、Q12​(x1​,y2​)、Q