医疗影像 2D 插值算法详解医疗影像 2D 插值算法详解 1. 引言 1.1 什么是插值？插值（Interpolati

医疗影像 2D 插值算法详解

1. 引言

1.1 什么是插值？

插值（Interpolation）是一种通过已知数据点估算未知位置数值的方法。在数字图像处理中，图像由离散的像素点组成，当我们需要获取非整数坐标位置的像素值时，就必须通过插值来估算。

设原始图像函数为 $f(x, y)$ ，像素值仅在整数网格点 $(i, j)$ 上已知， $f(i, j) = v_{ij}$ 。插值的任务是：对任意实数坐标 $(x, y)$ ，估算 $f(x, y)$ 的值。

1.2 为什么要插值？

医疗影像中存在大量需要插值的场景：

图像缩放（Resize）：将影像调整至特定分辨率以便于显示或对比
重建（Reconstruction）：如 CT/MRI 层间插值，从稀疏层析数据重建三维体数据
配准（Registration）：将不同模态或不同时间点的影像对齐到同一坐标系
几何校正（Geometric Correction）：校正因设备或患者运动导致的几何畸变

1.3 插值的基本框架

所有插值方法都可以统一表述为加权求和形式：

$f(x, y) = \sum_{i} \sum_{j} v_{ij} \cdot w(x - i, y - j)$

其中 $w(\cdot, \cdot)$ 为插值核（kernel）或基函数，不同插值方法的本质差异就在于核函数的选择。

2. 各种插值算法详解

2.1 最近邻插值（Nearest Neighbor Interpolation）

原理

最近邻插值是最简单直观的插值方法。对于目标坐标 $(x, y)$ ，选择距离其最近的已知像素点，将其值赋给目标位置。

设目标点 $(x, y)$ ，找到最近的整数坐标：

$\hat{i} = \text{round}(x), \quad \hat{j} = \text{round}(y)$

则插值结果为：

$f(x, y) = v_{\hat{i}\hat{j}}$

公式

$f(x, y) = v_{i,j}, \quad \text{其中 } i = \arg\min_{k} |x - k|, \ j = \arg\min_{l} |y - l|$

等价地，若 $(x, y)$ 落在像素 $(i, j)$ 的领域内（ $[i-0.5, i+0.5) \times [j-0.5, j+0.5)$ ），则 $f(x, y) = v_{ij}$ 。

计算举例

考虑 2×2 像素网格：

        y=0           y=1
    ┌───────────┬───────────┐
    │  v = 100  │  v = 200  │
x=0 │   (0,0)   │   (0,1)   │
    ├───────────┼───────────┤
    │  v = 150  │  v = 255  │
x=1 │   (1,0)   │   (1,1)   │
    └───────────┴───────────┘

例 1：点 $(0.3, 0.7)$

距离最近的整数点为 $(0, 1)$
因此 $f(0.3, 0.7) = v_{0,1} = 200$

    ┌───────────┬───────────┐
    │  v = 100  │  v = 200  │  ↑
    │   (0,0)   │   (0,1)   │  │ 距离 (0.3,0.7) 最近
x=0 ├───────────┼───────────┤──┘
    │  v = 150  │  v = 255  │
x=1 │   (1,0)   │   (1,1)   │
    └───────────┴───────────┘

例 2：点 $(0.6, 0.4)$

距离最近的整数点为 $(1, 0)$
因此 $f(0.6, 0.4) = v_{1,0} = 150$

    ┌───────────┬───────────┐
    │  v = 100  │  v = 200  │
x=0 ├───────────┼───────────┤
    │  v = 150  │  v = 255  │  ↑
    │   (1,0)   │   (1,1)   │──┘ 距离 (0.6,0.4) 最近
x=1 └───────────┴───────────┘

优缺点与适用场景

优点：

计算速度快，无需乘除运算
保持原始像素值，不产生新的灰度值
无平滑效应，边缘保持锐利

缺点：

质量较低，存在明显的锯齿效应（blockiness）
放大时图像出现马赛克感
不连续性导致视觉效果差

适用场景：

分类影像（segmented image），如已标注的器官轮廓图
需要快速预览的实时显示
对计算速度要求极高而质量要求不高的场景
像素值具有离散意义（如标签图）的情况

2.2 双线性插值（Bilinear Interpolation）

原理

双线性插值在两个方向上分别进行线性插值。考虑目标点 $(x, y)$ ，首先在 $x$ 方向进行两次线性插值，再在 $y$ 方向进行一次线性插值。

设 $(x, y)$ 落在单元 $[i, i+1] \times [j, j+1]$ 内，记 $u = x - i$ ， $v = y - j$ ，其中 $u, v \in [0, 1)$ 。

公式推导

第一步：在 $x$ 方向对上下两条边分别进行线性插值：

在下边 $(j)$ ： $f(x, j) = (1-u) \cdot v_{i,j} + u \cdot v_{i+1,j}$
在上边 $(j+1)$ ： $f(x, j+1) = (1-u) \cdot v_{i,j+1} + u \cdot v_{i+1,j+1}$

第二步：在 $y$ 方向对两个插值结果进行线性插值：

$f(x, y) = (1-v) \cdot f(x, j) + v \cdot f(x, j+1)$

综合两步：

$f(x, y) = (1-v)\left[(1-u) v_{i,j} + u \cdot v_{i+1,j}\right] + v\left[(1-u) v_{i,j+1} + u \cdot v_{i+1,j+1}\right]$

整理得标准形式：

$f(x, y) = (1-u)(1-v) v_{i,j} + u(1-v) v_{i+1,j} + (1-u)v \cdot v_{i,j+1} + uv \cdot v_{i+1,j+1}$

计算举例

使用相同的 2×2 网格，点 $(0.3, 0.7)$ 落在单元 $[0,1] \times [0,1]$ 内：

             y=0                 y=1
         ┌────────────┐    ┌────────────┐
         │  v = 100   │    │  v = 200   │
    x=0  │   (0,0)    │    │   (0,1)    │
         ├─────┬──────┤────┼─────┬──────┤
         │     │      │    │     │      │
    x=1  │─────●──────│────│─────●──────│
         │     │f(0.3,0.7)│    │            │
         └─────┴──────────┘────┴────┴──────┘
              (0.3,0)              (0.3,1)
                            ←──u=0.3──→

    u = x - i = 0.3 - 0 = 0.3
    v = y - j = 0.7 - 0 = 0.7

计算点 $(0.3, 0.7)$ 处的插值（ $i=0, j=0, u=0.3, v=0.7$ ）：

第一步： $x$ 方向插值

$f(0.3, 0) = (1-0.3) \cdot 100 + 0.3 \cdot 150 = 0.7 \cdot 100 + 0.3 \cdot 150 = 70 + 45 = 115$
$f(0.3, 1) = (1-0.3) \cdot 200 + 0.3 \cdot 255 = 0.7 \cdot 200 + 0.3 \cdot 255 = 140 + 76.5 = 216.5$

第二步： $y$ 方向插值

$f(0.3, 0.7) = (1-0.7) \cdot 115 + 0.7 \cdot 216.5 = 0.3 \cdot 115 + 0.7 \cdot 216.5 = 34.5 + 151.55 = 186.05$

权重分布可视化（每个像素的贡献权重）：

权重矩阵：

  ┌───────────────┬───────────────┐
  │ (1-u)(1-v)    │ (1-u)v       │
  │    = 0.21     │    = 0.49    │
  │   v00 = 100   │   v01 = 200  │
  │   权重 21%    │   权重 49%   │
  ├───────────────┼───────────────┤
  │ u(1-v)        │ uv           │
  │    = 0.09     │    = 0.21    │
  │   v10 = 150   │   v11 = 255  │
  │   权重 9%     │   权重 21%   │
  └───────────────┴───────────────┘

左列像素: v00, v10 | 右列像素: v01, v11

加权和： $0.21 \times 100 + 0.09 \times 150 + 0.49 \times 200 + 0.21 \times 255 = 186.05$

优缺点与适用场景

优点：

计算复杂度适中
产生平滑过渡，比最近邻更自然的视觉效果
不会产生新的像素值范围外的值

缺点：

边缘会有轻微模糊
低通滤波特性，会损失高频信息（如细线、边缘）
旋转或缩放后图像质量有限

适用场景：

日常医学影像的缩放显示
需要快速处理的中等质量需求
CT/MRI 横断面图像的常规浏览
初级配准的粗略变换

2.3 双三次插值（Bicubic Interpolation）

原理

双三次插值使用待插值点周围的 16 个像素点 $(4 \times 4$ 邻域)，通过三次多项式（cubic polynomial）进行加权计算。每个方向的基函数为三次样条函数。

设 $u = x - i$ ， $v = y - j$ ，其中 $i = \lfloor x \rfloor$ ， $j = \lfloor y \rfloor$ ， $u, v \in [0, 1)$ 。

公式

标准双三次插值核函数（Catmull-Rom 样条）为：

$w(t) = \begin{cases} (a+2)|t|^3 - (a+3)|t|^2 + 1 & \text{当 } 0 \leq |t| < 1 \\ a|t|^3 - 5a|t|^2 + 8a|t| - 4a & \text{当 } 1 \leq |t| < 2 \\ 0 & \text{当 } |t| \geq 2 \end{cases}$

常用参数 $a = -0.5$ （Catmull-Rom 样条）。

二维插值公式：

$f(x, y) = \sum_{m=-1}^{2} \sum_{n=-1}^{2} v_{i+m, j+n} \cdot w(m-u) \cdot w(n-v)$

其中 $v_{i+m, j+n}$ 为 16 个邻域像素值。

另一种等价形式利用 4×4 权重矩阵：

$f(x, y) = \mathbf{A} \cdot \mathbf{B} \cdot \mathbf{C}$

其中 $\mathbf{A}$ 、 $\mathbf{B}$ 、 $\mathbf{C}$ 为权重向量与像素矩阵的乘积。

计算举例

考虑 4×4 像素网格中的 16 个像素值，演示计算点 $(1.3, 1.7)$ 处（ $i=1, j=1, u=0.3, v=0.7$ ）的插值。

原始 4×4 像素网格：

         j=0     j=1     j=2     j=3
      ┌────────┬────────┬────────┬────────┐
 i=0  │  100   │  120   │  130   │  110   │
      └────────┼────────┼────────┼────────┘
 i=1  │  150   │ [180]  │ [200]  │  160   │  ← [ ] 为 2×2 邻域
      ├────────┼────────┼────────┼────────┤
 i=2  │  200   │ [240]  │ [255]  │  210   │  ← [ ] 为 2×2 邻域
      ├────────┼────────┼────────┼────────┤
 i=3  │  180   │  220   │  230   │  190   │
      └────────┴────────┴────────┴────────┘

16 个像素值（4×4 邻域矩阵 $(i-1 \dots i+2, j-1 \dots j+2)$ ）：

         n=-1      n=0      n=1      n=2
       ┌────────┬────────┬────────┬────────┐
 m=-1  │  100   │  120   │  130   │  110   │
       ├────────┼────────┼────────┼────────┤
 m=0   │  150   │  180   │  200   │  160   │
       ├────────┼────────┼────────┼────────┤
 m=1   │  200   │  240   │  255   │  210   │
       ├────────┼────────┼────────┼────────┤
 m=2   │  180   │  220   │  230   │  190   │
       └────────┴────────┴────────┴────────┘

  索引对应: v_{i-1,j-1} = v_{0,0} = 100, ..., v_{i+2,j+2} = v_{3,3} = 190

计算权重（取 $a = -0.5$ ）：

$w(-1.3) = w(1.3) = -0.5 \cdot (1.3)^3 - 5(-0.5)(1.3)^2 + 8(-0.5)(1.3) - 4(-0.5)$ $= -0.5 \cdot 2.197 - (-2.5) \cdot 1.69 + (-4)(1.3) + 2$ $= -1.0985 + 4.225 + (-5.2) + 2 \approx -0.0735$

使用 Catmull-Rom 核的预计算值：

$w(-1.3) \approx -0.066$
$w(-0.3) = w(0.3) \approx 0.835$ （在 $|t|<1$ 区间）
$w(0.7) = w(0.7) \approx 0.244$
$w(1.7) = w(1.7) \approx -0.013$

实际计算中通过矩阵运算完成：

$f(x,y) \approx 186.4$ （实际精确计算值）

优缺点与适用场景

优点：

图像质量较高，边缘保持较好
过度平滑自然，比双线性更锐利
广泛使用的标准方法

缺点：

计算量较大，涉及 16 次乘法和多次加法
可能有轻微的过冲（overshoot）现象
需要访问 4×4 邻域，边界处理复杂

适用场景：

高质量医学影像显示和打印
诊断级图像缩放
影像存档与传输（PACS）中的质量要求较高的显示
发布级医学图像的后处理

2.4 面积插值（Area-Based Interpolation）

原理

面积插值基于像素面积重叠的概念。当目标网格与源网格存在几何变换（如旋转、缩放）时，源像素被映射到目标网格上，目标像素的值等于源像素覆盖目标像素面积的比例加权。

设源图像 $S$ 和目标图像 $T$ ，对于目标像素 $t \in T$ ：

$f_T(t) = \sum_{s \in S} f_S(s) \cdot \frac{\text{Area}(s \cap t)}{\text{Area}(t)}$

其中 $\text{Area}(s \cap t)$ 是源像素 $s$ 与目标像素 $t$ 的重叠面积。

公式推导

设源像素 $s$ 的坐标范围为 $[x_s, x_s+1] \times [y_s, y_s+1]$ ，目标像素 $t$ 的坐标范围为 $[x_t, x_t+1] \times [y_t, y_t+1]$ 。

重叠面积计算（以一维为例）：

$\text{overlap}(x_s, x_t) = \max(0, \min(x_s+1, x_t+1) - \max(x_s, x_t))$

在 FFT 加速下，通过频域乘积实现快速计算：

$\mathcal{F}\{f_T\} = \mathcal{F}\{f_S\} \cdot \mathcal{F}\{h\}$

其中 $h$ 为等效滤波器的脉冲响应。

计算举例

源图像 2×2 网格：

    y=0           y=1
┌─────────────┬─────────────┐
│   v = 100   │   v = 200   │
│   (0,0)     │   (0,1)     │
├─────────────┼─────────────┤
│   v = 150   │   v = 255   │
│   (1,0)     │   (1,1)     │
└─────────────┴─────────────┘

面积重叠原理：当目标像素 T 由源图像旋转变换而来时，T 的值由其与各源像素的重叠面积加权决定。

T 的面积分配示意：

    ┌─────────────┬─────────────┐
    │  T覆盖v00   │  T覆盖v01   │
    │   25%       │   25%       │
    │   v=100     │   v=200     │
    ├─────────────┼─────────────┤
    │  T覆盖v10   │  T覆盖v11   │
    │   25%       │   25%       │
    │   v=150     │   v=255     │
    └─────────────┴─────────────┘

计算： $f_T = 0.25 \times 100 + 0.25 \times 150 + 0.25 \times 200 + 0.25 \times 255 = 176.25$

假设目标像素 $T$ 的几何映射覆盖源像素面积比例为：

覆盖 $v_{00}$ 面积的 25%
覆盖 $v_{10}$ 面积的 25%
覆盖 $v_{01}$ 面积的 25%
覆盖 $v_{11}$ 面积的 25%

则： $f_T = 0.25 \times 100 + 0.25 \times 150 + 0.25 \times 200 + 0.25 \times 255 = 25 + 37.5 + 50 + 63.75 = 176.25$

优缺点与适用场景

优点：

有效抑制摩尔纹（aliasing artifacts）
保持图像能量守恒
理论上最优的重建质量（最小二乘意义下）

缺点：

计算复杂度高，需要计算复杂的多边形面积交集
实现难度大，需要几何变换的精确逆映射
边界处理复杂

适用场景：

医学影像重采样（特别适合 CT、MRI 等灰度连续图像）
需要避免混叠效应的质量要求高的场合
下采样（downsampling）操作
旋转和非正交变换后的重采样

2.5 拉格朗日插值（Lagrange Interpolation）

原理

拉格朗日插值是一种多项式插值方法，通过构造拉格朗日基多项式，在已知数据点上精确拟合一个多项式函数。

对于一维情况，给定 $n+1$ 个点 $(x_0, y_0), (x_1, y_1), \ldots, (x_n, y_n)$ ，构造 $n$ 次拉格朗日多项式：

$L(x) = \sum_{k=0}^{n} y_k \cdot \ell_k(x)$

其中基函数：

$\ell_k(x) = \prod_{\substack{j=0 \\ j \neq k}}^{n} \frac{x - x_j}{x_k - x_j}$

二维情况通过分别对 $x$ 和 $y$ 方向应用拉格朗日插值实现。

公式推导

一维拉格朗日基函数：

对于节点 $x_0, x_1, \ldots, x_n$ ，第 $k$ 个基函数为：

$\ell_k(x) = \frac{(x - x_0)(x - x_1)\cdots(x - x_{k-1})(x - x_{k+1})\cdots(x - x_n)}{(x_k - x_0)(x_k - x_1)\cdots(x_k - x_{k-1})(x_k - x_{k+1})\cdots(x_k - x_n)}$

二维张量积拉格朗日插值：

设 $m+1$ 个 $x$ 方向节点， $n+1$ 个 $y$ 方向节点：

$f(x, y) = \sum_{k=0}^{m} \sum_{l=0}^{n} v_{k,l} \cdot \ell_k(x) \cdot \ell_l(y)$

特别地，双线性拉格朗日（2×2 点， $m=n=1$ ）：

$\ell_0(x) = 1-x, \quad \ell_1(x) = x$ $\ell_0(y) = 1-y, \quad \ell_1(y) = y$

展开后与前述双线性插值公式完全一致。

双三次拉格朗日（4×4 点， $m=n=3$ ）使用三次基函数。

计算举例

一维 3 点拉格朗日插值示例（ $x_0=0, y_0=100; x_1=1, y_1=150; x_2=2, y_2=200$ ）：

基函数 $\ell_k(x)$ 在节点 $x_0, x_1, x_2$ 上的特性：

$\ell_k(x_k) = 1$ （在自己节点上为 1）
$\ell_k(x_{j \neq k}) = 0$ （在其他节点上为 0）

x=0.5 处的基函数值：

$\ell_0(0.5) = 0.375$ （正值）
$\ell_1(0.5) = 0.75$ （正值）
$\ell_2(0.5) = -0.125$ （负值！）

叠加计算：

f(0.5) = 100*0.375 + 150*0.75 + 200*(-0.125)
       = 37.5 + 112.5 - 25
       = 125

计算 $x=0.5$ 处插值：

$\ell_0(0.5) = \frac{(0.5-1)(0.5-2)}{(0-1)(0-2)} = \frac{(-0.5)(-1.5)}{2} = \frac{0.75}{2} = 0.375$

$\ell_1(0.5) = \frac{(0.5-0)(0.5-2)}{(1-0)(1-2)} = \frac{(0.5)(-1.5)}{-1} = 0.75$

$\ell_2(0.5) = \frac{(0.5-0)(0.5-1)}{(2-0)(2-1)} = \frac{(0.5)(-0.5)}{2} = -0.125$

$f(0.5) = 100 \cdot 0.375 + 150 \cdot 0.75 + 200 \cdot (-0.125) = 37.5 + 112.5 - 25 = 125$

优缺点与适用场景

优点：

数学形式优雅，公式对称
不需要求解线性方程组，直接给出插值多项式
高阶形式可获得高精度

缺点：

高阶多项式容易产生剧烈震荡（Runge 现象）
计算量随阶数增加而急剧增长
边界处可能产生非物理的过冲

适用场景：

低阶（1-3 次）拉格朗日插值用于图像重采样
双线性拉格朗日等价于标准双线性插值
双三次拉格朗日可作为双三次插值的数学等价形式
理论研究和对精度要求不高的场合

2.6 三次样条插值（Cubic Spline Interpolation）

原理

三次样条插值将数据区间分段，在每个子区间上使用三次多项式进行插值，同时保证整体曲线的连续性和光滑性（一阶和二阶导数连续）。

设节点 $x_0 < x_1 < \cdots < x_n$ ，在每个子区间 $[x_i, x_{i+1}]$ 上构造三次多项式 $S_i(x)$ ，满足：

插值条件： $S_i(x_i) = f(x_i)$ ， $S_i(x_{i+1}) = f(x_{i+1})$
内部连续： $S_{i-1}(x_i) = S_i(x_i)$
一阶导连续： $S_{i-1}'(x_i) = S_i'(x_i)$
二阶导连续： $S_{i-1}''(x_i) = S_i''(x_i)$

边界条件通常使用：

自然边界： $S_0''(x_0) = S_{n-1}''(x_n) = 0$
夹紧边界（Clamped）：给定端点一阶导数值
周期边界： $S_0'(x_0) = S_{n-1}'(x_n)$ ， $S_0''(x_0) = S_{n-1}''(x_n)$

公式

在子区间 $[x_i, x_{i+1}]$ 上，设 $h_i = x_{i+1} - x_i$ ， $t = (x - x_i) / h_i \in [0, 1]$ ，则三次样条基函数：

S_i(x) = \begin{cases} S_i^0(t) & t \in [0,1] \\ 0 & \text{otherwise} \end{cases}

其中 $S_i^0(t)$ 为三次多项式，可用以下形式表示：

$S_i^0(t) = \alpha_i (1-t)^3 + \beta_i t(1-t)^2 + \gamma_i (1-t)t^2 + \delta_i t^3$

或者采用更常见的表示（以函数值和二阶导为参数）：

在 $[x_i, x_{i+1}]$ 上，令 $M_i = S''(x_i)$ ，则：

$S_i(x) = M_i \frac{(x_{i+1}-x)^3}{6h_i} + M_{i+1} \frac{(x-x_i)^3}{6h_i} + \left(f(x_i) - \frac{M_i h_i^2}{6}\right)\frac{x_{i+1}-x}{h_i} + \left(f(x_{i+1}) - \frac{M_{i+1} h_i^2}{6}\right)\frac{x-x_i}{h_i}$

计算举例

一维三次样条插值示例，3 个数据点： $(0, 100), (1, 150), (2, 200)$ ，使用自然边界条件。

分段示意：

    x=0            x=1            x=2
     |              |              |
     o S0(x)       o S1(x)        o
     |              |              |
     |              |              |
----+--------------+--------------+----> x

S0(x) 在 [0,1] 上，S1(x) 在 [1,2] 上
每段是三次多项式，连接处一阶/二阶导连续

步骤 1：计算 $h_0 = 1$ ， $h_1 = 1$

步骤 2：建立三对角方程组（自然边界 $M_0 = M_2 = 0$ ）：

对于 $i=1$ （内部节点）：

$h_0 M_0 + 2(h_0 + h_1) M_1 + h_1 M_2 = 6\left(\frac{f(x_2)-f(x_1)}{h_1} - \frac{f(x_1)-f(x_0)}{h_0}\right)$

代入： $1 \cdot M_0 + 2(1+1) M_1 + 1 \cdot M_2 = 6\left(\frac{200-150}{1} - \frac{150-100}{1}\right)$

$M_0 + 4M_1 + M_2 = 6(50 - 50) = 0$

由于 $M_0 = M_2 = 0$ ，得 $M_1 = 0$ 。

步骤 3：在 $[0, 1]$ 区间上构造 $S_0(x)$ ：

$M_0 = 0, M_1 = 0, f(0)=100, f(1)=150, h_0=1$

$S_0(x) = 0 \cdot \frac{(1-x)^3}{6} + 0 \cdot \frac{x^3}{6} + \left(100 - 0\right)(1-x) + \left(150 - 0\right)x = 100(1-x) + 150x$

即 $S_0(x) = 100 + 50x$

步骤 4：计算 $x=0.5$ 处值： $S_0(0.5) = 100 + 50 \times 0.5 = 125$

此结果与线性插值一致，因为三点恰好在一条直线上。

优缺点与适用场景

优点：

高度平滑，一阶、二阶导数连续
收敛性好，不会有剧烈震荡
局部修改只影响相邻区间
广泛应用于工程和图形学

缺点：

需要求解线性方程组，计算量较大
边界条件的选择影响整体形状
实现比双线性等方法复杂

适用场景：

高质量医学图像处理
需要平滑过渡的图像增强
血管、器官边缘等需要保持光滑曲线的场合
信号/图像重建的预处理

3. 算法对比总结

3.1 定量对比表

特性	最近邻	双线性	双三次	面积插值	拉格朗日	三次样条
邻域大小	1×1	2×2	4×4	可变	可变	4×4
计算复杂度	O(1)	O(1)	O(1)	O(n²)	O(n²)	O(n)
速度	最快	快	中等	最慢	慢	中等
图像质量	差	中等	良好	优秀	取决于阶数	优秀
边缘锐度	锐利（有锯齿）	模糊	适中	保持良好	可能过冲	光滑
混叠效应	严重	轻微	轻微	最小	高阶时严重	轻微
平滑性	不连续	C⁰连续	C¹连续	C⁰连续	C⁰连续	C²连续

3.2 适用场景速查

应用场景	推荐算法
分类标签图像缩放	最近邻
快速预览/实时显示	最近邻或双线性
常规诊断图像浏览	双线性或双三次
高质量图像显示/打印	双三次或三次样条
下采样（缩小）	面积插值或双三次
旋转/非正交变换	面积插值
需要保持曲线光滑	三次样条
需要避免混叠的场合	面积插值
分类/分割结果图	最近邻（保持标签值）

3.3 医疗影像中的算法选择原则

1. 图像模态考虑

模态	推荐方法	原因
CT	面积插值/双三次	灰度连续，需要避免混叠
MRI	双三次/三次样条	T1/T2加权图像需要平滑过渡
X-Ray	双线性或双三次	常规显示足够
超声	双线性	噪声较大，高阶方法优势不明显
PET/SPECT	双线性	分辨率较低，快速方法足够
分割结果	最近邻	保持像素值（标签）不变

2. 应用目的考虑

诊断阅读：优先质量，选择双三次或更高
快速筛查：优先速度，选择双线性或最近邻
三维重建：质量优先，层间插值用三次样条
图像配准：中间过程可用双线性，最终结果用高质量方法
放射治疗计划：精度关键，使用面积插值或高阶样条

3. 操作类型考虑

放大（Upscaling）：双三次效果良好
缩小（Downscaling）：面积插值避免混叠伪影
旋转/仿射变换：面积插值质量最优
层间插值（三维）：三次样条或基于切片的二维方法