網上有很多這方面的資料，介紹的也算明白。但是，這些文章只介紹了演算法，並沒有具體說怎麼實現以及怎麼實現最好，舉個例子，你可以按照網上文章的演算法自己寫一個雙線性插值程式，用它對一張圖片進行處理，然後再用matlab或者openCV的resize函式對同一張圖片進行處理，得到的結果是不一樣的，如果源圖片較小，效果差距就更大。以下是對於雙線性插值的講解以及上述現象的解釋：

假設源影象大小為mxn，目標影象為axb。那麼兩幅影象的邊長比分別為：m/a和n/b。注意，通常這個比例不是整數，程式設計儲存的時候要用浮點型。目標影象的第（i,j）個畫素點（i行j列）可以通過邊長比對應回源影象。其對應座標為（i*m/a,j*n/b）。

顯然，這個對應座標一般來說不是整數，而非整數的座標是無法在影象這種離散資料上使用的。雙線性插值通過尋找距離這個對應座標最近的四個畫素點，來計算該點的值（灰度值或者RGB值）。如果你的對應座標是（2.5,4.5），那麼最近的四個畫素是（2，4）、（2，5）、（3，4），（3，5）。

若影象為灰度影象，那麼（i，j）點的灰度值可以通過一下公式計算：

f(i,j)=w1*p1+w2*p2+w3*p3+w4*p4;

其中，pi(i=1,2,3,4)為最近的四個畫素點，wi(i=1,2,3,4)為各點相應權值。關於權值的計算，在維基百科和百度百科上寫的很明白。

2.存在的問題

這部分的前提是，你已經明白什麼是雙線性插值並且在給定源影象和目標影象尺寸的情況下，可以用筆計算出目標影象某個畫素點的值。當然，最好的情況是你已經用某種語言實現了網上一大堆部落格上原創或轉載的雙線性插值演算法，然後發現計算出來的結果和matlab、openCV對應的resize（）函式得到的結果完全不一樣。

那這個究竟是怎麼回事呢？

其實答案很簡單，就是座標系的選擇問題，或者說源影象和目標影象之間的對應問題。

按照網上一些部落格上寫的，源影象和目標影象的原點（0，0）均選擇左上角，然後根據插值公式計算目標影象每點畫素，假設你需要將一幅5x5的影象縮小成3x3，那麼源影象和目標影象各個畫素之間的對應關係如下：

只畫了一行，用做示意，從圖中可以很明顯的看到，如果選擇右上角為原點（0，0），那麼最右邊和最下邊的畫素實際上並沒有參與計算，而且目標影象的每個畫素點計算出的灰度值也相對於源影象偏左偏上。

那麼，讓座標加1或者選擇右下角為原點怎麼樣呢？很不幸，還是一樣的效果，不過這次得到的影象將偏右偏下。

最好的方法就是，兩個影象的幾何中心重合，並且目標影象的每個畫素之間都是等間隔的，並且都和兩邊有一定的邊距，這也是matlab和openCV的做法。如下圖：

如果你不懂我上面說的什麼，沒關係，只要在計算對應座標的時候改為以下公式即可，

int x=(i+0.5)*m/a-0.5

int y=(j+0.5)*n/b-0.5 ，instead of 

int x=i*m/a

int y=j*n/b

利用上述公式，將得到正確的雙線性插值結果

總結：

總結一下，我得到的教訓有這麼幾條。

1.網上的一些資料有的時候並不靠譜，自己還是要多做實驗。

2.不要小瞧一些簡單的、基本的演算法，讓你寫你未必會寫，而且其中可能還藏著一些玄妙。

3.要多動手程式設計，多體會演算法，多看大牛寫的原始碼（雖然有的時候很吃力，但是要堅持看）。

　在影象處理中，雙線性插值演算法的使用頻率相當高，比如在影象的縮放中，在所有的扭曲演算法中，都可以利用該演算法改進處理的視覺效果。

     用一個簡單的數學表示式可以表示如下：

     f（x,y)=f(0,0)(1-x)(1-y)+f(1,0)x(1-y)+f(0,1)(1-x)y+f(1,1)xy

     合併有關項，可寫為： f（x,y)=(  f(0,0)(1-x）+ f(1,0) x  ) (1-y)  +  (  f(0,1)(1-x)  +  f(1,1)x  )  y

     由上式可以看出，這個過程存在著大量的浮點數運算，對於影象這樣大的計算使用者來說，是一個較為耗時的過程。

     考慮到影象的特殊性，他的畫素值的計算結果需要落在0到255之間，最多隻有256種結果，由上式可以看出，一般情況下，計算出的f(x,y)是個浮點數，我們還需要對該浮點數進行取整。因此，我們可以考慮將該過程中的所有類似於1-x、1-y的變數放大合適的倍數，得到對應的整數，最後再除以一個合適的整數作為插值的結果。

      如何取這個合適的放大倍數呢，要從三個方面考慮，第一：精度問題，如果這個數取得過小，那麼經過計算後可能會導致結果出現較大的誤差。第二，這個數不能太大，太大會導致計算過程超過長整形所能表達的範圍。第三：速度考慮。假如放大倍數取為12，那麼算式在最後的結果中應該需要除以12*12=144，但是如果取為16，則最後的除數為16*16=256，這個數字好，我們可以用右移來實現，而右移要比普通的整除快多了。 

      綜合考慮上述三條，我們選擇2048這個數比較合適。

      下面我們假定某個演算法得到了我們要取樣的座標分別PosX以及PosY,其中PosX=25.489,PosY=58.698。則這個過程的類似程式碼片段如下：

 1 NewX = Int(PosX)                        '向下取整,NewX=25 2 NewY = Int(PosY)                        '向下取整,NewY=58 3 PartX = (PosX - NewX) * 2048            '對應表示式中的X 4 PartY = (PosY - NewY) * 2048            '對應表示式中的Y 5 InvX = 2048 - PartX                     '對應表示式中的1-X 6 InvY = 2048 - PartY                     '對應表示式中的1-Y 7 
 8 Index1 = SamStride * NewY + NewX * 3    '計算取樣點左上角鄰近的那個畫素點的記憶體地址 9 Index2 = Index1 + SamStride 　　　　     '左下角畫素點地址
10 ImageData(Speed + 2) = ((Sample(Index1 + 2) * InvX + Sample(Index1 + 5) * PartX) * InvY + (Sample(Index2 + 2) * InvX +                            Sample(Index2 + 5) * PartX) * PartY) \ 4194304       '處理紅色分量 11 ImageData(Speed + 1) = ((Sample(Index1 + 1) * InvX + Sample(Index1 + 4) * PartX) * InvY + (Sample(Index2 + 1) * InvX +                           Sample(Index2 + 4) * PartX) * PartY) \ 4194304       '處理綠色分量
12 ImageData(Speed) = ((Sample(Index1) * InvX + Sample(Index1 + 3) * PartX) * InvY + (Sample(Index2) * InvX +                       Sample(Index2 + 3) * PartX) * PartY) \ 4194304           '處理藍色分量

      以上程式碼中涉及到的變數都為整型（PosX及PosY當然為浮點型）。

      程式碼中Sample陣列儲存了從中取樣的影象資料，SamStride為該影象的掃描行大小。

      觀察上述程式碼，除了有2句涉及到了浮點計算，其他都是整數之間的運算。

      在Basic語言中，編譯時如果勾選所有的高階優化，則\ 4194304會被編譯為>>22，即右移22位，如果使用的是C語言，則直接寫為>>22。

      需要注意的是，在進行這代程式碼前，需要保證PosX以及PosY在合理的範圍內，即不能超出取樣影象的寬度和高度範圍。

      通過這樣的改進，速度較直接用浮點型別快至少100%以上，而處理後的效果基本沒有什麼區別。