圖像的縮放很好理解,就是圖像的放大和縮小。傳統的繪畫工具中,有一種叫做“放大尺”的繪畫工具，畫家常用它來放大
圖畫。當然，在計算機上，我們不再需要用放大尺去放大或縮小圖像了，把這個工作交給程序來完成就可以了。下面就來講講計算機怎麼來放大縮小圖象；在本文
中，我們所說的圖像都是指點陣圖，也就是用一個像素矩陣來描述圖像的方法，對於另一種圖像：用函數來描述圖像的矢量圖，不在本文討論之列。
越是簡單的模型越適合用來舉例子，我們就舉個簡單的圖像：3X3 的256級灰度圖，也就是高爲3個象素，寬也是3個象素的圖像，每個象素的取值可以是
0－255，代表該像素的亮度，255代表最亮，也就是白色，0代表最暗，即黑色
。假如圖像的象素矩陣如下圖所示（這個原始圖把它叫做源圖，Source）：
234 38 22
67 44 12
89 65 63
這個矩陣中，元素座標(x,y)是這樣確定的，x從左到右，從0開始，y從上到下，也是從零開始，這是圖象處理中最常用的座標系，就是這樣一個座標：
----------------------＞X
|
|
|
|
|
∨Y
如果想把這副圖放大爲 4X4大小的圖像，那麼該怎麼做呢？那麼第一步肯定想到的是先把4X4的矩陣先畫出來再說，好了矩陣畫出來了，如下所示，當然，矩陣的每個像素都是未知數，等待着我們去填充（這個將要被填充的圖的叫做目標圖,Destination）：
? ? ? ?
? ? ? ?
? ? ? ?
? ? ? ?
然後要往這個空的矩陣裏面填值了，要填的值從哪裏來來呢？是從源圖中來，好，先填寫目標圖最左上角的象素，座標爲（0，0），那麼該座標對應源圖中的座標
可以由如下公式得出：
srcX=dstX* (srcWidth/dstWidth) , srcY = dstY * (srcHeight/dstHeight)
好了，套用公式，就可以找到對應的原圖的座標了(0*(3/4),0*(3/4))=>(0*0.75,0*0.75)=>(0,0)
,找到了源圖的對應座標,就可以把源圖中座標爲(0,0)處的234象素值填進去目標圖的(0,0)這個位置了。
接下來,如法炮製,尋找目標圖中座標爲(1,0)的象素對應源圖中的座標,套用公式:
(1*0.75,0*0.75)=>(0.75,0)
結果發現,得到的座標裏面竟然有小數,這可怎麼辦?計算機裏的圖像可是數字圖像,象素就是最小單位了,象素的座標都是整數,從來沒有小數座標。這時候採用
的一種策略就是採用四捨五入的方法（也可以採用直接舍掉小數位的方法），把非整數座標轉換成整數，好，那麼按照四捨五入的方法就得到座標（1，0），完整
的運算過程就是這樣的：
(1*0.75,0*0.75)=>(0.75,0)=>(1,0)
那麼就可以再填一個象素到目標矩陣中了，同樣是把源圖中座標爲(1,0)處的像素值38填入目標圖中的座標。
依次填完每個象素，一幅放大後的圖像就誕生了，像素矩陣如下所示：
234 38 22 22
67 44 12 12
89 65 63 63
89 65 63 63
這種放大圖像的方法叫做最臨近插值算法，這是一種最基本、最簡單的圖像縮放算法，效果也是最不好的，放大後的圖像有 很嚴重的馬賽克，縮小後的圖像有很嚴重的失真；效果不好的根源就是其簡單的最臨近插值方法引入了嚴重的圖像失真，比如，當由目標圖的座標反推得到的源圖的 的座標是一個浮點數的時候，採用了四捨五入的方法，直接採用了和這個浮點數最接近的象素的值，這種方法是很不科學的，當推得座標值爲 0.75的時候，不應該就簡單的取爲1，既然是0.75，比1要小0.25 ，比0要大0.75 ,那麼目標象素值其實應該根據這個源圖中虛擬的點四周的四個真實的點來按照一定的規律計算出來的，這樣才能達到更好的縮放效果。雙線型內插值算法就是一種 比較好的圖像縮放算法，它充分的利用了源圖中虛擬點四周的四個真實存在的像素值來共同決定目標圖中的一個像素值，因此縮放效果比簡單的最鄰近插值要好很 多。
雙線性內插值算法描述如下:
對於一個目的像素，設置座標通過反向變換得到的浮點座標爲(i+u,j+v)
(其中i、j均爲浮點座標的整數部分，u、v爲浮點座標的小數部分，是取值[0,1)區間的浮點數)，則這個像素得值 f(i+u,j+v)
可由原圖像中座標爲 (i,j)、(i+1,j)、(i,j+1)、(i+1,j+1)所對應的周圍四個像素的值決定，即：
f(i+u,j+v) = (1-u)(1-v)f(i,j) + (1-u)vf(i,j+1) + u(1-v)f(i+1,j) + uvf(i+1,j+1) 公式1
其中f(i,j)表示源圖像(i,j)處的的像素值，以此類推。
比如，象剛纔的例子，現在假如目標圖的象素座標爲（1，1），那麼反推得到的對應於源圖的座標是（0.75 ,
0.75）,
這其實只是一個概念上的虛擬象素,實際在源圖中並不存在這樣一個象素,那麼目標圖的象素（1，1）的取值不能夠由這個虛擬象素來決定，而只能由源圖的這四
個象素共同決定：（0，0）（0，1）（1，0）（1，1），而由於（0.75,0.75）離（1，1）要更近一些，那麼（1,1）所起的決定作用更大一
些，這從公式1中的係數uv=0.75×0.75就可以體現出來，而（0.75,0.75）離（0，0）最遠，所以（0，0）所起的決定作用就要小一些，
公式中係數爲(1-u)(1-v)=0.25×0.25也體現出了這一特點；
最鄰近插值和雙向性內插值縮放圖片的效果對比
圖像的縮放很好理解,就是圖像的放大和縮小。傳統的繪畫工具中,有一種叫做“放大尺”的繪畫工具，畫家常用它來放大
圖畫。當然，在計算機上，我們不再需要用放大尺去放大或縮小圖像了，把這個工作交給程序來完成就可以了。下面就來講講計算機怎麼來放大縮小圖象；在本文
中，我們所說的圖像都是指點陣圖，也就是用一個像素矩陣來描述圖像的方法，對於另一種圖像：用函數來描述圖像的矢量圖，不在本文討論之列。
越是簡單的模型越適合用來舉例子，我們就舉個簡單的圖像：3X3 的256級灰度圖，也就是高爲3個象素，寬也是3個象素的圖像，每個象素的取值可以是
0－255，代表該像素的亮度，255代表最亮，也就是白色，0代表最暗，即黑色
。假如圖像的象素矩陣如下圖所示（這個原始圖把它叫做源圖，Source）：
234 38 22
67 44 12
89 65 63
這個矩陣中，元素座標(x,y)是這樣確定的，x從左到右，從0開始，y從上到下，也是從零開始，這是圖象處理中最常用的座標系，就是這樣一個座標：
----------------------＞X
|
|
|
|
|
∨Y
如果想把這副圖放大爲 4X4大小的圖像，那麼該怎麼做呢？那麼第一步肯定想到的是先把4X4的矩陣先畫出來再說，好了矩陣畫出來了，如下所示，當然，矩陣的每個像素都是未知數，等待着我們去填充（這個將要被填充的圖的叫做目標圖,Destination）：
? ? ? ?
? ? ? ?
? ? ? ?
? ? ? ?
然後要往這個空的矩陣裏面填值了，要填的值從哪裏來來呢？是從源圖中來，好，先填寫目標圖最左上角的象素，座標爲（0，0），那麼該座標對應源圖中的座標
可以由如下公式得出：
srcX=dstX* (srcWidth/dstWidth) , srcY = dstY * (srcHeight/dstHeight)
好了，套用公式，就可以找到對應的原圖的座標了(0*(3/4),0*(3/4))=>(0*0.75,0*0.75)=>(0,0)
,找到了源圖的對應座標,就可以把源圖中座標爲(0,0)處的234象素值填進去目標圖的(0,0)這個位置了。
接下來,如法炮製,尋找目標圖中座標爲(1,0)的象素對應源圖中的座標,套用公式:
(1*0.75,0*0.75)=>(0.75,0)
結果發現,得到的座標裏面竟然有小數,這可怎麼辦?計算機裏的圖像可是數字圖像,象素就是最小單位了,象素的座標都是整數,從來沒有小數座標。這時候採用
的一種策略就是採用四捨五入的方法（也可以採用直接舍掉小數位的方法），把非整數座標轉換成整數，好，那麼按照四捨五入的方法就得到座標（1，0），完整
的運算過程就是這樣的：
(1*0.75,0*0.75)=>(0.75,0)=>(1,0)
那麼就可以再填一個象素到目標矩陣中了，同樣是把源圖中座標爲(1,0)處的像素值38填入目標圖中的座標。
依次填完每個象素，一幅放大後的圖像就誕生了，像素矩陣如下所示：
234 38 22 22
67 44 12 12
89 65 63 63
89 65 63 63
這種放大圖像的方法叫做最臨近插值算法，這是一種最基本、最簡單的圖像縮放算法，效果也是最不好的，放大後的圖像有 很嚴重的馬賽克，縮小後的圖像有很嚴重的失真；效果不好的根源就是其簡單的最臨近插值方法引入了嚴重的圖像失真，比如，當由目標圖的座標反推得到的源圖的 的座標是一個浮點數的時候，採用了四捨五入的方法，直接採用了和這個浮點數最接近的象素的值，這種方法是很不科學的，當推得座標值爲 0.75的時候，不應該就簡單的取爲1，既然是0.75，比1要小0.25 ，比0要大0.75 ,那麼目標象素值其實應該根據這個源圖中虛擬的點四周的四個真實的點來按照一定的規律計算出來的，這樣才能達到更好的縮放效果。雙線型內插值算法就是一種 比較好的圖像縮放算法，它充分的利用了源圖中虛擬點四周的四個真實存在的像素值來共同決定目標圖中的一個像素值，因此縮放效果比簡單的最鄰近插值要好很 多。
雙線性內插值算法描述如下:
對於一個目的像素，設置座標通過反向變換得到的浮點座標爲(i+u,j+v)
(其中i、j均爲浮點座標的整數部分，u、v爲浮點座標的小數部分，是取值[0,1)區間的浮點數)，則這個像素得值 f(i+u,j+v)
可由原圖像中座標爲 (i,j)、(i+1,j)、(i,j+1)、(i+1,j+1)所對應的周圍四個像素的值決定，即：
f(i+u,j+v) = (1-u)(1-v)f(i,j) + (1-u)vf(i,j+1) + u(1-v)f(i+1,j) + uvf(i+1,j+1) 公式1
其中f(i,j)表示源圖像(i,j)處的的像素值，以此類推。
比如，象剛纔的例子，現在假如目標圖的象素座標爲（1，1），那麼反推得到的對應於源圖的座標是（0.75 ,
0.75）,
這其實只是一個概念上的虛擬象素,實際在源圖中並不存在這樣一個象素,那麼目標圖的象素（1，1）的取值不能夠由這個虛擬象素來決定，而只能由源圖的這四
個象素共同決定：（0，0）（0，1）（1，0）（1，1），而由於（0.75,0.75）離（1，1）要更近一些，那麼（1,1）所起的決定作用更大一
些，這從公式1中的係數uv=0.75×0.75就可以體現出來，而（0.75,0.75）離（0，0）最遠，所以（0，0）所起的決定作用就要小一些，
公式中係數爲(1-u)(1-v)=0.25×0.25也體現出了這一特點；
最鄰近插值和雙向性內插值縮放圖片的效果對比：
原圖
最臨近插值算法
雙線性插值算法
本文來自CSDN博客，： http://blog.csdn.net/qiqi5521/archive/2008/03/22/2207562.aspx