图 3.3：使用 "最近邻 nearest_neighbor" 、"双线性 bilinear" 、"常数 constant" 、"加权 weighted" 和 "双三次 bicubic"插值对图像进行缩小的结果比较。
图 3.3 中显示的示例说明了图像变换的效果，其中包括缩放因子为 0.1 的缩小。这里比较了"最近邻 nearest_neighbor" 、"双线性 bilinear" 、"常数 constant"、"加权 weighted" 和 "双三次 bicubic"插值方法的结果。图 3.3a) 显示了要转换的图像。图中显示了两个对象，左侧是一个安全环，右侧是一个固定器。为了更好地展示结果，每种插值方法都给出了每个对象的详细视图。
图 3.3：使用 "最近邻 nearest_neighbor" 、"双线性 bilinear" 、"常数 constant" 、"加权 weighted" 和 "双三次 bicubic"插值对图像进行缩小的结果比较。
图 3.3b) 显示了使用最近邻插值缩小图像的结果。这种大规模缩小的结果质量很差。特别是在两个细节视图中，可以看到形状往往接近于直线，而原始图像中相同部分的形状则完全不同，并带有圆角。
图 3.3c) 显示了使用双线性插值缩小图像的结果。与最近邻插值相比，质量略有提高，但对象的形状仍有严重失真。
图 3.3d) 显示了使用常数插值缩小图像的结果。缩小后的图像看起来更加平滑，对象的形状也与原始图像相似。与双线性插值相比，缩小图像的质量明显更好。
图 3.3e) 显示了使用集成高斯滤波器的加权插值缩小图像的结果。与 "常数 constant" 插值相比，图像仍然更加平滑，形状也几乎与原始图像一致。从细节图中可以看到，边缘的渐变也更加细腻。因此， "加权 weighted " 插值的结果为包括缩小在内的图像转换提供了最佳质量。
图 3.3f) 显示了使用双三次插值缩小图像的结果。缩小的结果与 "双线性 bilinear" 插值的结果非常相似。