1、单线性插值单线性插值是一种用于估计两个已知数据点之间未知点的方法。它基于线性关系通过计算目标位置的值使用已知点之间的线性函数进行插值。这在图像处理中常用于放缩、旋转等操作计算简单产生平滑结果但在放大时可能造成轻微模糊。目前已经知道了与之间的斜率在这个区间内我们要求某x对应的y值很容易因为它是线性的那么通过与两点的斜率以及与之间的斜率即可假设出直线方程。通过计算就能算出x点对应的函数值y了2、双线性插值双线性插值是一种用于估计两个已知数据点之间未知点的方法。它考虑了目标位置在两个方向上的线性关系通过对四个最近的已知点进行加权平均进行插值计算。这在图像处理中常用于平滑放缩、旋转等操作比最近邻法更精确产生更平滑的结果。如图所示我们需要求P点的像素值。我们已知了Q11、Q21、Q12、Q22、P的坐标。也知道Q11、Q21、Q12、Q22的像素值。所以先用关于X的单线性插值去分别计算R1、R2的像素值。在右边的等式中的字母f(Q11)、f(Q12)、f(Q21)、f(Q22)、x1、x2、x都是已知的求出的f(x,y1)与f(x,y2即为R1、R2的像素值。再使用关于y方向的单线性插值计算P点的像素值得出在右边的等式中的字母y1、y2、y都是已知的与即为上一个式子中求出的R1、R2像素值。3、手写代码实现代码显示参考的这位博主的。双线性插值法Bilinear Interpolation_绯雨千叶的博客-CSDN博客但它使用的是显示循环对于计算量较高这里我对代码进行了改进采用了网格坐标、数组广播和矩阵运算等技巧使得插值过程更加高效。import cv2 import numpy as np import pyzjr as pz # 已添加进pyzjr中 def bilinear_interpolation(image, scale): ah, aw, channel image.shape bh, bw int(ah * scale), int(aw * scale) dst_img np.zeros((bh, bw, channel), np.uint8) y_coords, x_coords np.meshgrid(np.arange(bh), np.arange(bw), indexingij) AX (x_coords 0.5) / scale - 0.5 # 移向像素中心 AY (y_coords 0.5) / scale - 0.5 x1 np.floor(AX).astype(int) y1 np.floor(AY).astype(int) x2 np.minimum(x1 1, aw - 1) y2 np.minimum(y1 1, ah - 1) R1 ((x2 - AX)[:, :, np.newaxis] * image[y1, x1]).astype(float) ( (AX - x1)[:, :, np.newaxis] * image[y1, x2]).astype(float) R2 ((x2 - AX)[:, :, np.newaxis] * image[y2, x1]).astype(float) ( (AX - x1)[:, :, np.newaxis] * image[y2, x2]).astype(float) dst_img (y2 - AY)[:, :, np.newaxis] * R1 (AY - y1)[:, :, np.newaxis] * R2 return dst_img.astype(np.uint8) imagecv2.imread(r./data\campuscrack\00231.jpg) dst_imgbilinear_interpolation(image,1.5) cv2.imshow(name2,image) cv2.imshow(name,dst_img) cv2.waitKey(0)scale1.5的效果:4、实验分析双线性插值在图像处理中的意义是通过在两个方向上的插值更准确地估计新像素的值以改善图像的质量、平滑边缘并保持细节从而实现图像放大、缩小、旋转等操作的高质量效果。2026年10月31日已经移除此函数def resize(image, target_shapeNone, scaleNone): bilinear interpolation: https://blog.csdn.net/m0_62919535/article/details/132094815 Args: image (numpy.ndarray): Image to be resized. target_shape (tuple): New size in the format (width, height). scale (float): Scale of image Returns: Resized image. if target_shape is None and scale is None: raise ValueError(Either size or scale must be provided.) if scale is not None: ah, aw, channel image.shape bh, bw int(ah * scale), int(aw * scale) dst_img np.zeros((bh, bw, channel), np.uint8) y_coords, x_coords np.meshgrid(np.arange(bh), np.arange(bw), indexingij) AX (x_coords 0.5) / scale - 0.5 AY (y_coords 0.5) / scale - 0.5 x1 np.floor(AX).astype(int) y1 np.floor(AY).astype(int) x2 np.minimum(x1 1, aw - 1) y2 np.minimum(y1 1, ah - 1) R1 ((x2 - AX)[:, :, np.newaxis] * image[y1, x1]).astype(float) ( (AX - x1)[:, :, np.newaxis] * image[y1, x2]).astype(float) R2 ((x2 - AX)[:, :, np.newaxis] * image[y2, x1]).astype(float) ( (AX - x1)[:, :, np.newaxis] * image[y2, x2]).astype(float) dst_img (y2 - AY)[:, :, np.newaxis] * R1 (AY - y1)[:, :, np.newaxis] * R2 if target_shape is not None: dst_img cv2.resize(image, target_shape, interpolationcv2.INTER_LINEAR) return dst_img.astype(np.uint8)