插值算法实现
‘壹’ 如何用matlab实现插值算法
实例展示
1
先看一个实例，最后再来说明一维插值在matlab中的用法。实例如下图，用13个节点作三种插值，并比较结果。
2
首先启动matlab，选择编辑器，再新建一个命令文件。
3
然后，在编辑器窗口中输入本题的代码。如下图所示。并保存，此处命名为yiwei。
4
最后再命令行窗口处输入yiwei，并敲入键盘上的enter建。最终得到的结果是插值与原来的13个数据点之间的比较图，可以看出结果很好。
END
命令解释
1
通过上面的例子，也知道了matlab进行一维插值的命令是interp1.
该命令的形式为y1=interp1(x0,y0,x1,'method').
功能：根据已知的数据（x0，y0），用method方法进行插值，然后计算x1对应的函数值y1.
2
其中的参数及其注意事项。
x0,y0是已知的数据向量，其中x应以升序或者降序排列，x1是插值点的自变量坐标向量；method是用来选择插值算法的，它可以取：‘linear’（线性插值）、‘cubic’（三次多项式插值）、‘nearst’（最近插值）、‘spline’（三次样条插值）。
‘贰’ 插值法计算公式是什么
插值法计算公式的核心表达式是：Y = Y1 + (Y2 - Y1) × (X - X1) / (X2 - X1)。这种方法简单地解释就是，通过相似三角形的原理，根据两点已知数据（例如Y1和X1，Y2和X2），来估算在任意点X上的数值Y。
内插法，或称为插值法，其目的是通过已知函数在特定点的值，构造一个近似的函数，以此估算函数在其他点的值。这种方法根据函数类型可分为线性内插（线性多项式插值，误差在插值点为零）和非线性内插等，根据自变量数量则有单变量插值、双变量插值和三变量插值等不同的形式。
特别提到的是线性插值，这种插值方式的优势在于其构建的是一次多项式的简单模型。它通过连接两点（如A点和B点）的直线来近似表示原函数，不仅易于理解和应用，而且在查表需要估算新数值时，效果明显。总的来说，线性插值是一种实用且直观的数值近似方法。
‘叁’ 图像双三次插值算法原理及python实现
一. 图像双三次插值算法原理：
假设源图像 A 大小为 m*n ，缩放后的目标图像 B 的大小为 M*N 。那么根据比例我们可以得到 B(X,Y) 在 A 上的对应坐标为 A(x,y) = A( X*(m/M), Y*(n/N) ) 。在双线性插值法中，我们选取 A(x,y) 的最近四个点。而在双立方插值法中，我们选取的是最近的16个像素点作为计算目标图像 B(X,Y) 处像素值的参数。如图所示：
如图所示 P 点就是目标图像 B 在 (X,Y) 处对应于源图像中的位置，P 的坐标位置会出现小数部分，所以我们假设 P 的坐标为 P(x+u,y+v)，其中 x,y 分别表示整数部分，u,v 分别表示小数部分。那么我们就可以得到如图所示的最近 16 个像素的位置，在这里用 a(i,j)(i,j=0,1,2,3) 来表示。
双立方插值的目的就是通过找到一种关系，或者说系数，可以把这 16 个像素对于 P 处像素值的影响因子找出来，从而根据这个影响因子来获得目标图像对应点的像素值，达到图像缩放的目的。
BiCubic基函数形式如下：
二. python实现双三次插值算法
from PIL import Image
import numpy as np
import math
# 产生16个像素点不同的权重
def BiBubic(x):
x=abs(x)
if x<=1:
return 1-2*(x**2)+(x**3)
elif x<2:
return 4-8*x+5*(x**2)-(x**3)
else:
return 0
# 双三次插值算法
# dstH为目标图像的高，dstW为目标图像的宽
def BiCubic_interpolation(img,dstH,dstW):
scrH,scrW,_=img.shape
#img=np.pad(img,((1,3),(1,3),(0,0)),'constant')
retimg=np.zeros((dstH,dstW,3),dtype=np.uint8)
for i in range(dstH):
for j in range(dstW):
scrx=i*(scrH/dstH)
scry=j*(scrW/dstW)
x=math.floor(scrx)
y=math.floor(scry)
u=scrx-x
v=scry-y
tmp=0
for ii in range(-1,2):
for jj in range(-1,2):
if x+ii<0 or y+jj<0 or x+ii>=scrH or y+jj>=scrW:
continue
tmp+=img[x+ii,y+jj]*BiBubic(ii-u)*BiBubic(jj-v)
retimg[i,j]=np.clip(tmp,0,255)
return retimg
im_path='../paojie.jpg'
image=np.array(Image.open(im_path))
image2=BiCubic_interpolation(image,image.shape[0]*2,image.shape[1]*2)
image2=Image.fromarray(image2.astype('uint8')).convert('RGB')
image2.save('BiCubic_interpolation.jpg')
三. 实验结果：
四. 参考内容：
https://www.cnblogs.com/wojianxin/p/12516762.html
https://blog.csdn.net/Ibelievesunshine/article/details/104942406