双线性插值算法双线性插值旋转图象高人帮帮忙

W1=1-△/4，W2=△/4，W3=1-△/4，W4=△/4W11=W1*W3,W12=W1*W4,W21=W2*W3,W22=W2*W4Gk,l=W11*Gi,j Gi 1,j*W21 Gi,j 1*W12 Gi 1,j 1*W22=108.375*(△^2)

线性插值一次为：0，5，10，15，20，25，30，35，40即认为其变化（增减）是线形的，可以在坐标图上画出一条直线在数码相机技术中，这些数值可以代表组成一张照片的不同像素点的色彩、色度等指标。为了方便理解，先考虑一维情况下的线性插值对于一个数列c，我们假设c[a]到c[a 1]之间是线性变化的那么对于浮点数x(a

电脑摄像头最高只有130万像素的，800万是通过软件修改的。何为数码插值(软件插值)插值(Interpolation)，有时也称为“重置样本”，是在不生成像素的情况下增加图像像素大小的一种方法，在周围像素色彩的基础上用数学公式计算丢失像素的色彩。简单地说，插值是根据中心像素点的颜色参数模拟出周边像素值的方法，是数码相机特有的放大数码照片的软件手段。
一、认识插值的算法“插值”最初是电脑术语，后来引用到数码图像上来。图像放大时，像素也相应地增加，但这些增加的像素从何而来？这时插值就派上用场了。插值就是在不生成像素的情况下增加图像像素大小的一种方法，在周围像素色彩的基础上用数学公式计算丢失像素的色彩(也有些相机使用插值，人为地增加图像的分辨率)。所以在放大图像时，图像看上去会比较平滑、干净。但必须注意的是插值并不能增加图像信息。以图1为原图(见图1)，以下是经过不同插值算法处理的图片。
1.最近像素插值算法最近像素插值算法(NearestNeighbourInterpolation)是最简单的一种插值算法，当图片放大时，缺少的像素通过直接使用与之最接近的原有像素的颜色生成，也就是说照搬旁边的像素，这样做的结果是产生了明显可见的锯齿(见图2)。
2.双线性插值算法双线性插值算法(BilinearInterpolation)输出的图像的每个像素都是原图中四个像素(2×2)运算的结果，这种算法极大程度上消除了锯齿现象(见图3)。
3.双三次插值算法双三次插值算法(BicubicInterpolation)是上一种算法的改进算法，它输出图像的每个像素都是原图16个像素(4×4)运算的结果(见图4)。这种算法是一种很常见的算法，普遍用在图像编辑软件、打印机驱动和数码相机上。
4.分形算法分形算法(FractalInterpolation)是AltamiraGroup提出的一种算法，这种算法得到的图像跟其他算法相比更清晰、更锐利(见图5)。现在有许多数码相机厂商将插值算法用在了数码相机上，并将通过算法得到的分辨率值大肆宣传，固然他们的算法比双三次插值算法等算法先进很多，但是事实是图像的细节不是凭空造出来的。因为插值分辨率是数码相机通过自身的内置软件来增加图像的像素，从而达到增大分辨率的效果。
二、插值的影响使用数码变焦拍出来的照片不清晰，这是数码变焦最遭人垢病的地方，事实上，这只是一种片面的说法。数码变焦对照片清晰度的影响有多大，取决于数码相机在变焦时，CCD是否进行了插值运算。在使用高像素的情况下，如果采用数码变焦进行拍摄，则此时CCD并不会有任何插值运算，数码变焦对最终得到的数码照片的清晰度的影响将会因此而变得极其有限。举个例子，一台CCD像素为520万、最大分辨率为2560×1920的数码相机，如果采用2×的数码变焦来进行拍摄的话，那么成像过程中只会有一半CCD在工作。换句话说，数码相机并不会使用类似“在一个像素点周围添加八个像素点”的插值算法进行成像，而是通过降低分辨率的方法，即1280×960这个分辨率指标来进行成像。对于一般的数码照片来说，1280×960这个分辨率指标已经足够优秀了，它与2560×1920分辨率的差别将会因为没有插值运算的参与而变得可以接受。不过这种现象只限于某些比较高级的数码相机，对于那些千元以下的定焦数码相机来说，使用数码变焦就意味着必然的插值运算，牺牲分辨率的后果使得照片拍摄者只能有两个选择:要么得到一张模糊不清的“全尺寸”照片、要么得到一张质量可以保证但分辨率只有类似320×240这样的“迷你”照片。

为了方便理解，先考虑一维情况下的线性插值对于一个数列c，我们假设c[a]到c[a 1]之间是线性变化的那么对于浮点数x(a