插值
什么是插值
为什么要进行插值
插值大概都有啥方法
插值是覆盖掉原来的数值还是加入新的数值？
图像放大是图像处理中的一个特别基础的操作。在几乎每一个图片相关的项目中，从传统图像处理到深度学习，都有应用。从图片发出到朋友收到图片，查看图片，都会数次地改变图像地尺寸，从而用到这个算法
插值指的是利用已知的点来猜未知的点，图像领域插值常用在修改图像尺寸的过程，由旧的图像矩阵中的点计算新图像矩阵中的点并插入，不同的计算过程就是不同的插值算法
下图是自己实现双线性插值的效果：
常用的插值算法：
最近邻法：计算速度最快，但是效果最差
双线性插值 bilinear interpolation：双线性插值是用原图像中4（2*2）个点计算新图像中1个点，效果略差于双三次插值，速度比双三次插值快，在很多框架中属于默认算法
双三次插值 bicubic interpolation 双三次插值是用原图像中的16（4*4）个点计算新图像中1个点，效果好但是计算代价大
最近邻法：
最近邻法实际上是不需要计算新图像矩阵中的点的数值的，直接找到原图像中对应的点，将数值赋值给新图像矩阵中的点，根据对应关系找到原图像中的对应的坐标，这个坐标可能不是整数，这时候找最近的点进行插值
别管这个截图中的新图中的某个点了，肯定是整数，但是在原图中，要根据变换的方式去映射，映射到的位置可能是小数
变换方式决定映射关系，映射关系决定原图采样位置 所以既然这样的话哦我就不去举例子计算对应关系了
双线性插值就不是找最近的那个点，而是找最近的四个点
针对于单线性插值，已知p1和 p2 计算x1 x2区间内某一位置x在直线上的y值，直接求一条直线公式 
这个直线公式也是双线性插值所需要的唯一的基础公式
双线性插值就是进行三次单线性插值，先在x方向上求出2次单线性插值，获得R1 R2，再在y方向计算一次单线性插值得出P 简单简单
遇到的问题
无论选哪个角做原点，总有一侧边界"占便宜"（更容易保留原始值），另一侧"吃亏"（被插值模糊或拉伸）。这是坐标系定义带来的系统性不对称。
注意计算的是像素值，不是坐标
对于上面那个图，有这样的关系
就相当于这样理解，这距离为1中的像素值差距是多少，每个部分像素值是多少，进行这样的累加，比如下面这个题目
横着看距离为1差距为20，那么0.4就是8 所以R1是38 同理r2是78 那么y方向来说距离为1差距是40 那么0.6就是24 所以最后的像素值是62 就是这样的算的 很简单 确定邻点 然后计算 但是这样就会导致上面所说的遇到的问题
然后解决方案就是：几何中心点重合对应公式，这个不管了
现在opencv就很牛背了，自带坐标映射 边界处理和高效插值计算 不管了简单知道啥意思就行