1.最近邻差值（Neareast Neighbor Interpolation）

插值算法 ｜ 最近邻插值法_哔哩哔哩_bilibili

上图中最后一行，第一个图像，因为目标像素（放大后，位于第1行第0列的像素）距离它最近的原图的像素的像素值为1，因此该目标像素取值为1。

把原图分别进行 上采样

方式1：最近邻插值

方式2：双线性插值

肉眼观看，方式2效果更好，没有锯齿状，更平滑

虽然在上采样阶段，  使用双线性插值可以得到比最近邻差值效果更好的 图片，但是对于语义分割任务并不合适。

语义分割任务只能使用最近邻插值，因为其标注时 将目标对应像素点的值赋值为1，背景赋值为0， 边缘赋值为255， 当通过数据增强进行图片缩放时，使用最近邻插值  ，得到的新图像的语义标签中像素值只包含 0,1,255，   这个三个数值对语义分割网络训练具有意义， 其他数字没有意义。

当使用双线性插值，会导致语义标签图像中出现  如   111,126等数字，这些数字没有意义，对网络训练没有用处。

个人

疑惑：对于实例实例分割，可以使用双线性插值吗？ 

语义分割网络训练时，  可能进行图像缩放这一数据增强方法，因此只能使用 最近邻差值 防止语义标签出现  非规定中的数字。 

但是对于实例实例分割，可以使用双线性插值吗？ 

最近使用YOLO-SEG， 发现将最近邻插值替换为 双线性插值， 精度有些提升。

2.双线性插值（bilinear  interpolation）

插值算法 ｜双线性插值法_哔哩哔哩_bilibili

将源图像t0进行上采样， 使用双线性插值， 首先：需要将放大的图像（t1）等比例缩小为源图像尺寸t3。

缩放为源图像尺寸大小，需要进行对齐，有两种对齐方式：

1.角对齐：需要将 t3与t0的网格中心点对齐， 这种需要t1缩小的尺度更大

2.边对齐，需要将t3与t0的边对齐，这种需要t1缩小的尺度比角对齐小一些

具体可以见pytorch官网的说明

该链接的内容

注意：像素值分别为v1,v2,v3,v4

 代码示例

角对齐

边对齐

角对齐

上述两段代码。第一个自已编写， 第二个是调用函数库

注意：这里以最左上角像素点的中心点的坐标作为原点坐标（0,0），而不是边界框的角点

边对齐

使用pytorch函数

3.双三次插值算法（Bicubic）

双： X,Y两个方向

三次：计算目标像素点周围像素权重时，使用三次项公式计算周围权重

 

与上述两种插值方法  初始步骤相同，将放大的图像t1进行缩小，缩小为源图像t0尺度t2，然后对照源图像，计算目标像素点

上图中， 发现t2的一个像素点在t0中，刚好位于t0中四个像素点之间的中心

双三次插值，取周围16个像素点的值进行计算

上图：

第一行表示 一维插值

第二行：二维差值，彩色点表示原图像素点，彩色点的高低表示该像素点的像素值，黑色点表示放大图像中的像素点，其高低表示所计算的采样值。

x只能表示 X或Y一个方向的距离

因此需要计算两次权重，分别表示X,Y方向

上图：右边第一个小图，

蓝色点（目标点）与源图像素的一个红点重合， X,Y方向距离均为0， 则该源图的像素点在X或Y方向的对应的权重为1，

右边第二个小图，蓝色点（目标点）与源图像素的一个红点在X,Y距离上均为1， 则该源图的像素点在X或Y方向的对应的权重为0

因此：参考上图的曲线图

在X方向距离为0，则在X方向取得权重为1；

在X方向距离为1，则在X方向取得权重为0；

在X方向距离为2，则在X方向取得权重为0；

根据距离的不同（0.5,1.5等）分别选择权重计算公式W(x)的三个不同分段函数

 

将在X,Y方向   计算出的16个值相加得到3.5 

使用个人编写程序， 以及pytorch 程序进行验证 

4.IoU与NMS

NMS 非极大值抑制 ｜ IoU 交并比_哔哩哔哩_bilibili

 待看(v),2025.7.22观看

IOU有两种特殊情况

情况1：两个识别框重合，此时IOU等于B的面积除以A的面积

情况2：两个识别框不重合，此时IOU等于负数， 因为负数不需要，所以被赋值为0，即这种情况认为IOU为0

 

上述操作去除冗余的bbox

若依多个bbox，则反复重复步骤1,2，直到候选区没有bbox。

因为IOU均小于阈值，所以没有冗余bbox，

最终5个bbox均被保留下来 

 

参考资料

1.插值算法 ｜ 最近邻插值法_哔哩哔哩_bilibili