在图像几何变换的过程中，常用的插值方法有最邻近插值（近邻取样法）、双线性内插值和三次卷积法。
最邻近插值：
这是一种最为简单的插值方法，在图像中最小的单位就是单个像素，但是在旋转个缩放的过程中如果出现了小数，那么就对这个浮点坐标进行简单的取整，得到一个整数型坐标，这个整数型坐标对应的像素值就是目标像素的像素值。取整的方式就是：取浮点坐标最邻近的左上角的整数点。
举个例子：
3 * 3 的灰度图像，其每一个像素点的灰度如下所示
我们要通过缩放，将它变成一个 4 * 4 的图像，那么其实相当于放大了4/3倍，从这个倍数我们可以得到这样的比例关系：
根据公式可以计算出目标图像中的 ( 0 , 0 ) 坐标与原图像中对应的坐标为(0,0)
（由于分母不能为 0，所以我们将公式改写）
然后我们就可以确定出目标图像中 ( 0 , 0 ) 坐标的像素灰度了，就是234。
然后我们在确定目标图像中的 ( 0 , 1 ) 坐标与原图像中对应的坐标，同样套用公式：
我们发现，这里出现了小数，也就是说它对应的原图像的坐标是 ( 0 , 0.75 ) ，显示这是错误的，如果我们不考虑亚像素情况，那么一个像素单位就是图像中最小的单位了，那么按照最临近插值算法，我们找到距离0.75最近的最近的整数，也就是1，那么对应的原图的坐标也就是 ( 0 , 1 ) ，像素灰度为67。
双线性内插值：
对于一个目的像素，设置坐标通过反向变换得到的浮点坐标为( i + u , j + v )，其中 i、j 均为非负整数，u、v 为 [ 0 , 1 ) 区间的浮点数，则这个像素得值 f ( i + u , j + v ) 可由原图像中坐标为 ( i , j )、( i +1 , j )、( i , j + 1 )、( i +1 , j + 1 ) 所对应的周围四个像素的值决定，即：
f ( i + u , j + v ) = ( 1 - u )( 1 - v ) f ( i , j ) + ( 1 - u ) v f ( i , j + 1 ) + u ( 1 - v ) f ( i + 1 , j ) + u v f ( i + 1 , j + 1 )
其中 f (i , j ) 表示源图像 ( i , j ) 处的的像素值。
那么还是上面的例子，目标图像中(0,1)对应的原图像浮点坐标是 ( 0 , 0.75 ) ，套用上面的公式这个坐标可以写成( 0 + 0 , 0 + 0.75 )，其中 i = 0，j = 0，u = 0，v = 0.75
我们套用公式看一下它最后的灰度
f ( i + u , j + v ) = 0.25 * f ( 0 , 0 ) + 0.75 * f ( 0 , 1 ) = 0.25 * 234 + 0.75 * 67
约等于108
这就是双线性内插值法。双线性内插值法计算量大，但缩放后图像质量高，不会出现像素值不连续的的情况。由于双线性插值具有低通滤波器的性质，使高频分量受损，所以可能会使图像轮廓在一定程度上变得模糊。
三次卷积法：
其实这个方法在好像有很多叫法，它在OpenCV中被命名为INTER_CUBIC，就是立方（三次）的意思，现在我把它和三次卷积法认为是同一种算法，引用一个帖子里面的话：
全称双立方（三次）卷积插值。
代码或许有不同写法，实现方式就一种
该算法是对函数 sin x / x 的一种近似，也就是说 原图像对目标图像的影响
等于 目标点对应于原图像点周围 x 距离的点，按照 sin x / x 比例 的加权平均 。
这里x代表，周围得点跟目标点， x 或者 y 轴 对应于原图的相对位置。
sin x / x 是归一化了的，实际应用的是近似公式
S ( x ) 是对 Sin ( x * Pi ) / x 的逼近（Pi是圆周率——π）
作者：chaibubble
来源：CSDN
原文：https://blog.csdn.net/chaipp0607/article/details/65658736
版权声明：本文为博主原创文章，转载请附上博文链接！
