Date: 2020/02/15
Author: CW
前言：
在上一篇文（关于转置卷积的这些点，你get到了没？）中整理了转置卷积（Transposed Convolution）相关知识点，与之对应，在传统上采样方法中，最常亮相的当属双线性插值（Bilinear Interpolation）了。因此，CW决定梳理下这方面的知识，记录到本文中，方便日后快速回顾，并且落实到代码层面，用2种方式实现双线性插值，供大家参考学习。
Outline
i). 概念 —— 双线性插值？什么东东？
ii). 计算 —— 数学公式来一波！
iii). 代码 —— talk is cheap, show me the code!
概念 —— 双线性插值？什么东东？
双线性插值？能吃吗(⊙o⊙)…
好好学习，别光想着吃...
好了，认真起来，在CV领域，通常需要改变原图尺寸（缩放）以方便进行一些后处理，那么缩放后目标图像的每个像素点就需要计算出对应的像素值，双线性插值就是干这个的（缩小和放大都适用）。
计算 —— 数学公式来一波！
那么，具体如何计算呢？如同我们人类一般，血缘关系决定了我们的近亲关系，双线性插值也是利用类似的思想，对于目标图像的每个像素点，找到它在原图上最近的周围四个点，通过一定的计算方式得到对应的像素值。
在具体解释双线性插值的计算方法前，先来了解下线性插值。
所谓线性插值，就是利用线性（函数）性质进行插值计算，那么你可能会好奇，既然有“双”线性插值，那是不是应该有“单”线性插值？嗯，还真是这样，单线性插值是在一个方向上计算插值，而双线性插值是在两个方向分别进行插值计算。
如上图，已知（x0, y0）和（x1, y1），需要对（x0, x1）区间内的某点x对应的y值进行插值计算，利用线性性质，不难得出以下解：
有初中（还是小学？）数学基础的朋友，应该都很好理解吧，设一条直线经过（x0, y0）和（x1, y1），计算x在这条直线上对应的y值，实质上是用x与x0、x1的距离作为权重分别用于y0和y1的加权。
好了，现在该双线性插值出场了，与以上类似，本质上就是在两个方向上分别做以上的线性插值。
如上图，已知函数 f （在图像处理中，f代表像素值）在 Q11 (x1, y1)、Q12 (x1, y2)、Q21 (x2, y1) 以及 Q22 (x2, y2) 这4个点的值，要计算函数 f 在点 P (x, y) 的值。
首先，在x方向进行插值计算，得到函数 f 在R1 (x, y1) 和R2 (x, y2) 两点的值：
接着在y方向进行插值计算：
最后，综合x、y方向上插值计算的结果，得到：
在图像处理中，通常选择P点周围相邻的4个点进行插值计算，即这4个点在x或y方向上坐标值相差1，那么上式分母便化为1：
哎呀！写了那么多，有个重要点居然忘了！我们已经知道上图的P点是目标图像的某像素点（记为P'）映射到原图像的点，那么对于P' (,
)，还没说P点坐标(x, y)是怎么得到的呢...
我们想得简单点，直接利用缩放比例计算得到。假设原图的高和宽分别为和
，目标图的高和宽分别为
和
，那么点P的坐标(x, y)由以下计算得到：
x = , y =
（宽对应横坐标，高对应纵坐标）
看似简洁了事，完美无缺，但是通常想得太简单都会导致一些问题，这里恰恰就有问题——可能导致目标图像中心跟原图中心不对齐。
为啥中心点会不对齐呢，原因是我们虽然称它为像素“点”，但其实人家是一个边长为1的正方形。因此，对于坐标为(h, w)的像素点，它的中心（代表该值的位置）实际上是(h+0.5, w+0.5)，这样，P点(x, y)的计算公式转化为：
x = , y =
代码 —— talk is cheap, show me the code!
直男不多说，必须撸起代码，以下是使用numpy（np）实现的案例，先来个最直接的写法：
以上是按照我们上一节所讲的直观实现方式，可读性好，易理解，也没毛病。
但是可以看到，我们是一个个点来计算像素值的，在调用方法的时候，有3个for循环！看起来难免不太优雅，而且遇到大分辨率图像时，耗时也不短，那么怎样把以上变成优雅的白富美呢？
认真想想，图像本质是矩阵，涉及矩阵的数学计算当然是用矩阵运算来得合适，一起来看看：
注意以上 hp_src 和 wp_src 最终变为 shape 是 (h_dst, w_dst) 的2维矩阵，分别代表目标图像每点对应到原图的纵、横坐标。
上图 f_xx 代表周围相邻4点的像素值矩阵（3维），原先它们的 shape为(h_dst, w_dst, channel)，而后变为 (channel, h_dst, w_dst)， 或许你会疑惑为啥要对它们的维度重排列成这样，不急，看完下图你应该就知道了。
看到没有，f_xx最终要和相应的权重wt_xx相乘，而wt_xx是通过hx_src和wx_src计算出来的权重矩阵，是2维矩阵，因此需要将f_xx的维度进行重排，将通道数放在前面，每个通道都是一个2维矩阵，才能和wt_xx权重矩阵有效相乘。当然，加权求和计算完毕后，别忘了重新排列维度，转换回来，让通道数放在最后面。
说了那么多，到底work不work呢？哈哈哈，当然不会忽悠你，来看看效果：
#最后
当前疫情严重，大家还是尽量少出门，待在家里好好学习，对自己对他人都好，大家要团结起来，按国家政府指示做好本分，共同抗击疫情，早日结束这场斗争。
这次的疫情，使我的心更加静了一些，宅家不出门的这段时间，我每天都会对所做之事和所学之识进行思考、记录、总结和复盘，以往的我过于浮躁，没有沉下心来好好回顾自己，希望新的一年里自己能更多地成长，愿大家也一样。
参考：
