图像插值方法对比 - 最近邻、双线性、双三次和 Lanczos
什么是图像插值 - 为什么缩放需要插值
图像插值是在已知像素值之间估算新像素值的技术。当图像缩放时，目标像素的位置通常不对应源图像的整数像素坐标，需要通过插值计算其值。
为什么需要插值：
- 放大：目标图像的像素数多于源图像，需要「创造」新像素
- 缩小：目标图像的像素数少于源图像，需要合理地合并信息
- 旋转/变形：变换后的像素位置通常不在整数坐标上
插值质量的衡量：锐度保持(边缘是否模糊)、伪影(振铃、锯齿)、计算速度。不同方法在这三者间取舍。
图像插值 (Image Interpolation) 是从已知的像素值推定未知位置的像素值的处理。例如把 100 × 100 的图像放大到 200 × 200 时，把输出图像的每个像素位置逆变换回输入图像，会得到与整数坐标不一致的小数坐标 (例如 x=3.7, y=5.2)，此时就需要插值。
插值质量的评价指标：PSNR (Peak Signal-to-Noise Ratio) 表示与原始图像之间的数值差异；SSIM (Structural Similarity) 是更接近人类知觉的结构相似度，1.0 表示完全一致。
最近邻插值 - 最快但质量最低
最近邻插值直接取最近的源像素值，不做任何计算。速度最快但会产生明显的锯齿和块状伪影。
算法：目标像素 (x,y) 的值 = 源图像中坐标最近的整数像素的值。即 round(x), round(y) 处的像素。
特点：
- 速度：最快，仅需一次取值，无乘法运算
- 质量：最差。放大时产生明显的方块状锯齿，缩小时丢失细节
- 特殊优势：不引入新的颜色值(输出仅包含源图像中存在的颜色)
适用场景：
- 像素艺术放大：保持像素的锐利边缘，不产生模糊
- 索引色图像：调色板图像不能引入新颜色
- 实时预览：需要极快速度的临时显示
- 二值图像：黑白图像的缩放
指定方法与实测性能：在 OpenCV 中用 cv2.INTER_NEAREST 指定。把 1,920 × 1,080 放大到 3,840 × 2,160 时约 2ms (CPU)；同条件下双线性约 7ms，双三次约 15ms。
双线性插值 - 质量与速度的平衡
双线性插值使用目标像素周围 2x2 的 4 个源像素进行加权平均，权重与距离成反比。
算法：
- 找到目标像素在源图像中对应的浮点坐标 (x, y)
- 取周围 4 个整数坐标像素：左上、右上、左下、右下
- 先在 x 方向线性插值两次(上边和下边)，再在 y 方向线性插值一次
特点：
- 速度：快，仅需 4 次乘法和加法
- 质量：中等。消除了锯齿但会轻微模糊(特别是放大时)
- 连续性：结果在像素间连续(C0 连续)，但导数不连续
适用场景：大多数通用缩放场景的默认选择。Web 图像缩放、实时视频处理、游戏纹理过滤(bilinear filtering)。
双线性插值 (Bilinear Interpolation) 用包围目标坐标的 4 个像素 (2x2) 的加权平均来推定数值。具体来说，由 4 个邻接像素 f(0,0), f(1,0), f(0,1), f(1,1) 与小数部分 (dx, dy) 得到：result = f(0,0)(1-dx)(1-dy) + f(1,0)dx(1-dy) + f(0,1)(1-dx)dy + f(1,1)dx*dy。
GPU 上的高速处理：现代 GPU 在纹理单元中以硬件方式实现了双线性插值，可以不增加额外成本地使用。WebGL 的 gl.LINEAR、CUDA 的纹理内存等，在 GPU 编程中双线性都是默认的插值方法。
各库中的指定：OpenCV 用 cv2.INTER_LINEAR 指定，它也是 cv2.resize() 的默认插值方法；Pillow 用 Image.BILINEAR (或 Image.LINEAR) 指定。
双三次插值 - 更高质量的平滑缩放
双三次插值使用 4x4 的 16 个源像素进行加权计算，使用三次多项式作为权重函数。比双线性更锐利且更平滑。
算法：
- 使用 4x4 邻域的 16 个像素
- 权重由三次多项式(通常是 Mitchell-Netravali 或 Catmull-Rom)决定
- 先在 x 方向对 4 行分别进行三次插值，再在 y 方向对结果进行三次插值
特点：
- 速度：中等，需要 16 次乘法(比双线性慢约 4 倍)
- 质量：好。比双线性更锐利，边缘保持更好
- 连续性:C1 连续(一阶导数连续)，过渡更平滑
- 可能的伪影：轻微的振铃(overshoot)在高对比度边缘处
Photoshop 的「双三次(较锐利)」和「双三次(较平滑)」分别对应不同的三次核参数。
双三次插值 (Bicubic Interpolation) 参照包围目标坐标的 16 个像素 (4x4)，用三次多项式加权，是质量更高的插值方法。核函数 W(t) 为：W(t) = (a+2)|t|³ - (a+3)|t|² + 1 (|t| ≤ 1)、W(t) = a|t|³ - 5a|t|² + 8a|t| - 4a (1 < |t| < 2)。
参数 a：通常使用 -0.5 (Catmull-Rom 样条) 或 -0.75 (Photoshop)。a=-0.5 在理论上具有最优的近似精度，a=-0.75 则产生更锐利的结果。计算成本约为双线性的 2-3 倍，在高对比度边缘附近有时会出现轻微的振铃 (过冲)。
实测对比 (1,920 × 1,080 → 3,840 × 2,160)：PSNR 比双线性平均高 1.5-2.0dB，SSIM 高 0.02-0.03。处理时间约 15ms (CPU)，约为双线性的 2 倍。
Lanczos 插值 - 最高质量的重采样
Lanczos 插值使用 sinc 函数的窗口化版本作为插值核，理论上是最优的带限信号重采样方法。
算法：
- Lanczos-2：使用 4x4 邻域(类似双三次)
- Lanczos-3：使用 6x6 邻域(36 个像素)，质量最高
- 权重函数：sinc(x) * sinc(x/a)，其中 a 是窗口大小
特点：
- 速度：最慢(Lanczos-3 需要 36 次乘法)
- 质量：最高。锐度保持最好，细节损失最小
- 伪影：可能在高对比度边缘产生轻微振铃(比双三次更明显)
适用场景：对质量要求最高的场景。专业图像处理、印刷预处理、最终输出。不适合实时处理。
Sharp 默认使用 Lanczos-3:sharp(input).resize(800, 600).toFile(output)
变体与理论背景：有 Lanczos-2 (4x4)、Lanczos-3 (6x6)、Lanczos-4 (8x8) 等变体，其中 Lanczos-3 最为常用。理想的插值是用 sinc 函数 (sin(πx)/(πx)) 做卷积，但 sinc 函数具有无限的支撑范围，并不实用。
实测性能：1,920 × 1,080 → 3,840 × 2,160 约 35ms (CPU)。PSNR 比双三次高 0.3-0.8dB，在缩小处理时差异尤为明显。
各库中的指定：OpenCV 用 cv2.INTER_LANCZOS4 (Lanczos-4) 指定，Pillow 用 Image.LANCZOS (Lanczos-3) 指定。libvips 以 Lanczos-3 为默认，并针对大量图像的批处理做了优化。
方法对比与选择指南
根据应用场景的质量和性能需求选择合适的插值方法。
对比总结：
- 最近邻：速度 ★★★★★ 质量 ★ - 像素艺术、实时预览
- 双线性：速度 ★★★★ 质量 ★★★ - 通用默认、实时处理
- 双三次：速度 ★★★ 质量 ★★★★ - 照片编辑、Web 图像
- Lanczos-3：速度 ★★ 质量 ★★★★★ - 专业处理、最终输出
缩小时的特殊考虑：
- 大幅缩小(如 4000px → 200px)时，所有插值方法都可能产生摩尔纹
- 解决方案：先进行低通滤波(抗锯齿)再缩小，或使用多步渐进缩小
- Sharp 和 Pillow 的 resize 默认包含抗锯齿处理
各库的默认方法：
- Sharp:Lanczos-3(质量优先)
- Pillow:
Image.LANCZOS(推荐)或Image.BICUBIC - OpenCV:
cv2.INTER_AREA(缩小)、cv2.INTER_CUBIC(放大) - CSS:
image-rendering: auto(浏览器决定，通常双线性)
默认值与实时处理：ImageMagick 的默认、libvips 的默认也都是 Lanczos。双线性由于有 GPU 硬件支持，可以不增加额外成本地使用；而在 4K 60fps 的实时处理中，双三次以上的方法即使用 GPU 负荷也会偏高。
按用途选择：医疗图像、科学图像推荐双三次 (a=-0.5)，多数 DICOM 查看器采用双三次。在 300dpi 以上的输出中，插值质量的差异会变得可以辨识，因此选择质量最高的 Lanczos。深度学习框架方面，PyTorch 的 F.interpolate 默认是双线性。