线性插值计算

灰度级插值之双线性原理与实现

（陈云川 ybc2084@163.com UESTC,CD）

1 原理简述

在对图像进行空间变换的过程中，典型的情况是在对图像进行放大处理的时候，图像会出现失真的现象。这是由于在变换之后的图像中，存在着一些变换之前的图像中没有的像素位置。为了说明这个问题，不妨假设有一副大小为64x64的灰度图像A，现在将图像放大到256x256，不妨令其为图像B，如图 1所示。显然，根据简单的几何换算关系，可以知道B图像中(x,y)处的像素值应该对应着A图像中的(x/4,y/4)处的象素值，即

B(x,y) = A(x/4,y/4) （式1）

对于B中的(4,4),(4,8),(4,16)…(256,256)这些位置，通过式1就可以计算出其在A中的位置，从而可以得到灰度值。但是，对于B中的(1,1),(1,2),(1,3)…等等这些坐标点而言，如果按照式1计算的话，那么它们在A中对应的坐标不再是整数。比如，对于B中的坐标点(1,1)，其在A中的对应坐标就变成了(0.25,0.25)。对于数字图像而言，小数坐标是没有意义的。因此，必须考虑采用某种方法来得到B中像素点在A中对应位置上的灰度级。

处理这一问题的方法被称为图

最邻近插值和双线性插值算法的比较

摘要：图像缩放是数字图像处理的一个基本内容，为了更好地对数字图像细节进行描述，本文简单介绍了图像处理中的空间变换、最邻近插值算法，重点分析了双线性插值算法，并通过MATLAB仿真进行图像的缩放，比较实验结果，从而验证双线性插值算法效果较好。

关键词：图像缩放；空间变换；最邻近插值；双线性插值；

0 引言

数字图像处理的对象因其涉及到社会的各个领域，倍受到越来越多的关注，而图像缩放作为数字图像处理中的基本操作尤为重要，在社会的很多领域都需要对图像进行放大和缩小。本文主要比较了空间变换、最邻近插值算法和双线性插值算法。

1 图像处理中的空间变换

图像的空间变换[1]，也称几何变换或几何运算，包括图像的平移、旋转、镜像变换、转置、缩放等。几何运算可改变图像中各物体之间的空间关系，这种运算可以跛看成是将各物体在图像内移动。

空间变换可如下表示：设(u，v)为源图像上的点，(x，y)为目标图像上的点，则空间变换就是将源图像上(u，v)处的颜色值与目标图像上(X，y)处的颜色对应起来

(u，v) 并具有以下关系：

x=X(u，v)，y=Y(u，v) （即由(u，v)计算对应(x，y)）

实验二 图像几何变换与插值

一、实验目的 巩固图像处理编程的步骤格式，理解数据插值及图像几何变换的原理，掌握图像几何变换的实现方法。 二、实验内容

1、 理解反向变换的实现思路

2、 图像缩放及插值 Matlab取整命令：floor, ceil, round

分别实验最近邻插值和双线性插值

f=imread('lena.bmp'); beishu=0.5; [row,col]=size(f); r1=round(row*beishu); c1=round(col*beishu); b=zeros(r1,c1); for i=1:r1 for j=1:c1

i1=round(i/beishu); j1=round(j/beishu); if i1<1 i1=1; end if j1<1 j1=1; end

b(i,j)=f(i1,j1); end end b=uint8(b); figure; imshow(f); figure imshow(b);

3、 图像旋转及插值

以图像中心为轴实现任意角度（逆时针为正）的图像旋转，分别实验两种插值算法

f=imread('len

第3 1卷第 1期2 0 1 3年 1月

佛山科学技术学院学报 (自然科学版 )J o u r n a l o f F o s h a n Un i v e r s i t y( Na t u r a l S c i e n c e Ed i t i o n )

Vo 1 . 3 1 No . 1

J a n .2 0 1 3

文章编号： 1 0 0 8— 0 1 7 1 ( 2 0 1 3 ) 0 1— 0 0 3 3— 0 6

一

种基于线性插值的流形学习算法顾艳春(佛山科学技术学院电子与信 g -工程学院，广东佛山 5 2 8 0 0 0 )

摘要：作为一种有效的非线性降维方法，流形学习在众多领域引起了广泛关注并取得了长足发展。但当样本点

较为稀疏时，样本点的局部邻域很难满足流形学习局部同胚的前提条件，此时流形学习算法往往效果变差甚至失效。一种有效的解决方法是增加一些新的插值点。为此，提出了一种基于三角形重心线性插值技术的流形学

习算法。实验结果表明，插值算法能改善样本点的局部结构。将插值算法应用到经典的流形学习算法如 L TS A 后，实验结果证实了算法的有效性和稳定性。关键词：流形学习；数据降维；重心；插值中图分类号： T P 3 0 1

插值法计算实际利率

插 值 法 计 算 实 际 利 率

“插值法”计算实际利率。在08年考题中涉及到了实际利率的计算，其原理是根据比例关系建立一个方程，然后，解方程计算得出所要求的数据。

例如：假设与A1对应的数据是B1，与A2对应的数据是B2，现在已知与A对应的数据是B，A介于A1和A2之间，即下对应关系：

A1 B1

A(?) B

A2 B2

则可以按照（A1-A)/(A1-A2)=(B1-B)/(B1-B2)计算 得出A的数值，其中A1、A2、B1、B2、B都是已知数据。根本不必记忆教材中的公式，也没有任何规定必须B1＞B2 验证如下： 根据：（A1-A)/(A1-A2)=(B1-B)/(B1-B2)可知：

（A1-A)＝(B1-B)/(B1-B2)×（A1- A2）

A＝A1－(B1-B)/(B1-B2)×（A1-A2）＝A1＋(B1-B)/(B1- B2)×（A2-A1） 考生需理解和掌握相应的计算。

例如：

某人向银行存入5000元，在利率为多少时才能保证在未来10年中每年末收到750元？ 5000/750=6.667 或 750*m=5000

查年金现值表，期数为10，利率i=8%时，系数为6.710；利率

例5.6.1给定以下数据, 求出三次样条函数，并计算函数分别在-0.15，-0.05，0.05，0.18，0.25处的近似值，并作图。

x y 解：编程如下: clear

x=[0.1,0.2,0.15,0,-0.2,0.3];y=[0.95,0.84,0.86,1.06,1.50,0.72]; pp=spline(x,y); pp.coefs

xx=[-0.15,-0.05,0.05,0.18,0.25]; yy=ppval(pp,xx) %or:yy=spline(x,y,xx) fnplt(pp,'k') hold on plot(x,y,'o') hold on plot(xx,yy,'r*') 运行结果: ans =

-36.3850 21.8592 -5.1164 1.5000 -36.3850 0.0282 -0.7390 1.0600 227.6995 -10.8873 -1.8249 0.9500 -143.0047 23.2676 -1.2059 0.8600 -143.0047 1.8169 0.0484 0.8400 yy =

插值就是已知一组离散的数据点集，在集合内部某两个点之间预测函数值的方法。

一、一维插值

插值运算是根据数据的分布规律，找到一个函数表达式可以连接已知的各点，并用此函数表达式预测两点之间任意位置上的函数值。

插值运算在信号处理和图像处理领域应用十分广泛。

1．一维插值函数的使用

若已知的数据集是平面上的一组离散点集(x,y)，则其相应的插值就是一维插值。MATLAB中一维插值函数是interp1。

y=interp([x,]y,xi,[method],['extrap'],[extrapval])，[]代表可选。 method：'nearest'，'linear'，'spline'，'pchip'，'cubic'，'v5cubic'。

此m文件运行结果：

放大π/2处：

2．内插运算与外插运算

（1）只对已知数据点集内部的点进行的插值运算称为内插，可比较准确的估测插值点上的函数值。 （2）当插值点落在已知数据集的外部时的插值称为外插，要估计外插函数值很难。

MATLAB对已知数据集外部点上函数值的预测都返回NaN，但可通过为interp1函数添加'extrap'参数指明也用于

MATLAB拉格郎日插值法与牛顿插值法构造插值多项式

姓名：樊元君 学号：2012200902 日期：2012.10.25

1.实验目的：

掌握拉格郎日插值法与牛顿插值法构造插值多项式。

2.实验内容：

分别写出拉格郎日插值法与牛顿插值法的算法，编写程序上机调试出结果，要求所编程序适用于任何一组插值节点，即能解决这一类问题，而不是某一个问题。实验中以下列数据验证程序的正确性。 已知下列函数表

求x=0.5635时的函数值。

MATLAB拉格郎日插值法与牛顿插值法构造插值多项式

3.程序流程图：

● 拉格朗日插值法流程图：

MATLAB拉格郎日插值法与牛顿插值法构造插值多项式

●牛顿插值法流程图：

MATLAB拉格郎日插值法与牛顿插值法构造插值多项式

4.源程序：

● 拉格朗日插值法：

function [] = LGLR(x,y,v)

x=input('X数组=：');

y=input('Y数组=');

v=input('插值点数值=：');

n=length(x);

u=0;

for k=1:n

t=1;

for j=1:n

if j~=k

t=t*(v-x(j))/(x(k)-x(j));

end

end

u=u+t*y(k);

end

disp('插值结果=');

插值及其误差 x sin x cos x tan x 1.567 0.999 992 8 0.003 796 3 263.411 25 1.568 0.999 996 1 0.002 796 3 357.611 06 1.569 0.999 998 4 0.001 796 3 556.690 98 1.570 0.999 999 7 0.000 796 3 1255.765 59 用表中的数据和任一插值公式求： （1）用tan x表格直接计算tan 1.569 5。

（2）用sin 1.569 5和cos 1.569 5来计算tan 1.569 5。并讨论这两个结果中误差变化的原因。

插值：求过已知有限个数据点的近似函数。 1 插值方法

下面介绍几种基本的、常用的插值：拉格朗日多项式插值、牛顿插值、分段线性插

值、Hermite 插值和三次样条插值。 1.1 拉格朗日多项式插值 1.1.1 插值多项式

用多项式作为研究插值的工具，称为代数插值。其基本问题是：已知函数

f?x?在区间?a,b?上n?1个不同点x0,x1,yi?f?xi??i?0,1,,xn处的函数值

,n?，求一个至多n次多项式 ?anxn（1）

?n?x??a0

2. 下列数据表示从1790年到2000年的美国人口数据

年份 1790 1800 1810 1820 1830 1840 1850 1860 1870 1880 1890 人口 3 929 000 5 308 000 7 240 000 9 638 000 12 866 000 17 069 000 23 192 000 31 443 000 38 558 000 50 156 000 62 948 000 年份 1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000 人口 75 995 000 91 972 000 105 711 000 122 755 000 131 669 000 150 697 000 179 323 000 203 212 000 226 505 000 248 710 000 281 416 000

求能够相当好地拟合该数据的动力系统模型。通过画出模型的预测值和 数据值来测试你的模型。

year=[1790 1800 1810 1820 1830 1840 1850 1860 1870 1880 1890 1900 1910 1920 1930 1