这里说的interpolation是指把Bayer pattern data 转化为RGB data的过程，每个像素都要有完整的[R G B]三个分量。先看一下最简单的双线性插值算法。
![]()
双线性插值
这是最简单原始的方法，确实可以得到一幅RGB图像，不过存在一些问题，例如拉链现象，有些模糊，分辨率不高，边缘有些彩色(false color)等。评价插值算法的好坏，通常用ISO12233测试纸，如下图。
![]()
观察细节算法的好坏，必须把图像放大到像素级别，直接研究数值大小，下面以拉链现象为例。拉链现象出现在水平或者垂直的边缘上，是由于G分量计算不当所致。以一条水平边为例，如下图，用双线性插值的话，在水平边缘上就会出现[90, 82.5, 90, 82.5…]这样的循环重复规律。
![]() 、
从图像效果来看就是类似拉链状。
![]()
拉链现象(双线性插值和沿着edge方向插值)
要解决拉链现象，保持边缘的光滑，很直观的想法就是对G分量采取沿着边缘方向去插值，在上图中，就让G5 =(G4 + G6)/2。这样就意味着要做边缘方向性的判断，如果是垂直边，那么就会是G=(G2+G8)/2，还有各种其他方向，则可以对周边四个G分量采用不同的加权平均算法得到中心点G分量数值。边缘方向判断是interpolation算法中最重要的一个环节，是各家ISP算法的核心之一，有兴趣的同学可以查看这个方面的论文。评价图像分辨率(清晰度)的一个指标，是看ISO12233中对细密纹理的识别程度。一个好的算法可以判断出只有一个像素宽度的细条纹。
![]()
interpolation识别细密纹理
在Bayer pattern中，一半像素是G，R和B都只占1/4，R和B信息缺失比较严重。在双线性插值算法中，R分量的计算只和周围的R相关，如果用G分量的信息去修正缺失的R分量，那么清晰度会有不小的提升。以水平方向的边缘为例：
![]()
水平edge上利用G分量修正R或B
上图中a1和a2是修正系数，范围在0～1之间。这种常用的计算方法不仅提高了清晰度，也可以缓解false color现象。不过从另一方面来看，这种修正会增加Noise幅度，原本R分量自身有一定的Noise分布概率，现在叠加了G分量的Noise，那么最大Noise幅度会提高。因此系数a1和a2需要根据场景，Noise幅度等因素权衡选择。
整体来说，Interpolation算法大致过程就是先边缘方向检测，然后沿着方向去做插值，兼顾Noise和清晰度的平衡，顺便还可以做一些false color的处理。
| 
