3、传统插值方法：最近邻插值、双线性插值、双三次插值原理与实现、在医疗影像中的局限性分析

各位同学，今天我们来聊聊超分辨率里最基础、也最绕不开的一块——传统插值方法。

说实话，我刚入行那会儿，觉得插值不就是放大图像嘛，有啥好学的？后来在项目中吃了不少亏，才明白这些基础方法才是理解高级算法的基石。你想想看，连最近邻和双三次都搞不清楚，怎么去理解深度学习里的亚像素卷积？

好，我们直接进入正题。

3.1 最近邻插值：最朴素，但问题也最明显

原理一句话：目标像素的值，直接取原图中距离最近的像素值。

说白了，就是“找邻居”。比如你要把一张 2×2 的图放大到 4×4，每个新像素点就去原图里找离它最近的像素，复制过来完事。

代码实现也很简单：

import numpy as np
from PIL import Image

def nearest_neighbor_interp(img, scale):
    h, w = img.shape[:2]
    new_h, new_w = int(h * scale), int(w * scale)
    dst = np.zeros((new_h, new_w, 3), dtype=np.uint8)
    
    for i in range(new_h):
        for j in range(new_w):
            src_i = min(int(i / scale), h - 1)
            src_j = min(int(j / scale), w - 1)
            dst[i, j] = img[src_i, src_j]
    return dst

我在项目中遇到过用最近邻插值放大 CT 骨窗图像的情况。嗯，结果就是骨骼边缘全是锯齿，医生根本没法看。所以现在除了做快速预览，我基本不用它。

3.2 双线性插值：平滑了，但细节也丢了

双线性插值，顾名思义，做了两次线性插值——先在 x 方向插一次，再在 y 方向插一次。

怎么理解？ 目标像素的值，由它周围 4 个像素加权平均得到。权重取决于距离，离得近贡献大，离得远贡献小。

代码实现：

def bilinear_interp(img, scale):
    h, w = img.shape[:2]
    new_h, new_w = int(h * scale), int(w * scale)
    dst = np.zeros((new_h, new_w, 3), dtype=np.uint8)
    
    for i in range(new_h):
        for j in range(new_w):
            x = j / scale
            y = i / scale
            x0, y0 = int(x), int(y)
            x1, y1 = min(x0 + 1, w - 1), min(y0 + 1, h - 1)
            
            # 四个权重
            wa = (x1 - x) * (y1 - y)
            wb = (x - x0) * (y1 - y)
            wc = (x1 - x) * (y - y0)
            wd = (x - x0) * (y - y0)
            
            dst[i, j] = (wa * img[y0, x0] + wb * img[y0, x1] +
                         wc * img[y1, x0] + wd * img[y1, x1])
    return dst

为什么会这样？因为双线性插值本质上是一个低通滤波器，它把高频细节（比如病灶边缘）给平滑掉了。你想想看，一个微小的钙化点，经过双线性放大后可能就变成了一团模糊的阴影——这可不是我们想要的。

3.3 双三次插值：传统方法里的“天花板”

双三次插值用了 16 个邻域像素（4×4 窗口），通过三次多项式拟合来估计目标像素值。它比双线性更复杂，效果也更好。

核心公式我就不推了，直接看实现：

def bicubic_kernel(x):
    x = abs(x)
    if x <= 1:
        return 1.5 * x**3 - 2.5 * x**2 + 1
    elif x < 2:
        return -0.5 * x**3 + 2.5 * x**2 - 4 * x + 2
    else:
        return 0

def bicubic_interp(img, scale):
    h, w = img.shape[:2]
    new_h, new_w = int(h * scale), int(w * scale)
    dst = np.zeros((new_h, new_w, 3), dtype=np.uint8)
    
    for i in range(new_h):
        for j in range(new_w):
            x = j / scale
            y = i / scale
            x_int, y_int = int(x), int(y)
            
            # 收集 4x4 邻域
            for m in range(-1, 3):
                for n in range(-1, 3):
                    px = min(max(x_int + n, 0), w - 1)
                    py = min(max(y_int + m, 0), h - 1)
                    wx = bicubic_kernel(x - (x_int + n))
                    wy = bicubic_kernel(y - (y_int + m))
                    dst[i, j] += wx * wy * img[py, px]
    return dst

3.4 在医疗影像中的局限性分析

好，重点来了。这些传统插值方法在医疗影像里到底行不行？

我的结论是：基本不行，除非你只是做快速预览。

具体局限性有这几点：

局限性	具体表现	影响
边缘模糊	双线性/双三次会平滑掉锐利边缘	病灶边界不清，影响诊断
纹理丢失	无法恢复高频细节	微小钙化点、微血管结构丢失
伪影引入	最近邻产生锯齿，双三次产生振铃	可能被误判为病理改变
各向同性假设	假设图像在各个方向变化均匀	医疗影像常有各向异性（如 CT 层间距大）

我曾经处理过一批乳腺 X 光片，用双三次插值放大后，一个微小的簇状钙化点被平滑得几乎看不见了。放射科医生直接说“这图没法用”。从那以后，我但凡涉及诊断级别的图像处理，都会避开传统插值。

下面这张图可以帮你快速理解三种方法的区别：

嗯，说到这里，你应该明白了——传统插值方法在医疗影像超分辨率这个任务上，天花板很低。下一章我们会讲基于重建的方法，那才是真正开始“创造”信息。

---

公众号:蓝海资料掘金营，微信deep3321