数字图像缩放插值算法MATLAB对比与PSNR评测

简介：数字图像处理毕业论文面向电子信息工程、计算机视觉等方向的本科毕业生与图像处理初学者，聚焦数字电视背景下的图像缩放技术，围绕最近邻、双线性、双三次等插值算法展开理论梳理与MATLAB实现，可用于毕业设计选题参考、算法入门和论文写作框架借鉴。压缩包内为1个doc文档，约2.05MB，包含完整论文正文，涵盖绪论、数字图像处理理论基础、MATLAB基本知识、传统缩放技术、算法性能与运算量对比等章节，并附毕业任务书与参考文献，目录层次清晰，便于按章节检索和摘取内容。该论文已有915人学习，适合需要参考选题结构、实验设计与算法对比思路的读者，也能为MATLAB图像缩放编程提供可复用的实现思路。

1. 从标清片源到高清屏：这套数字图像缩放毕设真正要交付的是什么

一份数字图像处理方向的毕业论文，最容易出问题的地方不是算法写错了，而是把整份工作做成了术语汇编：最近邻、双线性、双三次各抄一段公式，各配一张效果图，结尾写一句“各有优劣”。评委翻到第三章就知道后面没内容了。数字图像缩放技术研究这道题真正的难点在于，给你一组固定的输入图像、一组固定的缩放倍率，要求七种以上的算法能重复运行、结果可复现，还要用同一套指标把它们按画质和运算量两个维度排出先后顺序。数字图像缩放这类毕设，要交付的是一套实验装置，也就是别人拿过去重新跑一遍就能验证的流程，而非堆砌起来的知识点。下面按需求、架构、实现、评测、验收的顺序，把这套装置拆开讲。

2. 需求拆解与总体架构：四种视频格式倒推出的三层结构与统一接口

2.1 先把分辨率的像素账算清楚

任务书里提到“总结当前数字电视的视频格式”，这句话容易被当成文献综述处理，其实它提供了整份实验的参数依据。把三种主流格式和一种标清格式的像素量算出来，缩放倍率的选择就有据可依：

这张表至少给出两个直接结论。第一，1280 到 1920 的宽高比正好是 1.5，所以 1.5 倍是必须做的放大倍率；576 到 720 大约是 1.25 倍，720 到 1080 是 1.5 倍，标清直接上 1080p 是 2.67 倍，取整成 2 倍和 3 倍各做一组，实验矩阵就齐了。第二，2 倍放大比 1.5 倍更能拉开算法之间的差距，因为插值核的支撑集固定时，倍率越大，缺失的高频信息越多，不同核函数的表现差异也就越明显。如果只做 1.2 倍这种温和倍率，七种算法的 PSNR 可能只差 0.3 dB，写在论文里没有任何说服力。

运算量的量级也要在这一步算出来，不能等到写结论时再补。一个 1080p 帧有 200 多万像素，双三次插值每个输出像素要取 4×4 邻域，大约 16 次乘加，一帧就是 3300 万次乘加；按 30 帧每秒算，接近每秒 10 亿次乘加。双线性只要 4 个邻点，量级差四倍。这个数字就是“运算量分析”这一章真正存在理由，也是你在答辩时解释“为什么实时场景会退回双线性”的底气。

2.2 技术选型：为什么是 MATLAB

选 MATLAB 不是因为任务书写了它，而是三个具体理由。图像在 MATLAB 里天然就是矩阵，缩放操作对应的是索引和算术，公式怎么推，代码就怎么写，中间没有内存管理和类型系统挡路；内置的imresize提供了一个可以对照的参考实现，自己写的核函数跑出离谱结果时，用它当基准能快速定位是坐标映射错了还是权重算错了；可视化和统计绘图都在同一个环境里，出论文插图不用来回导数据。

代价也要讲清楚：MATLAB 是解释执行，tic/toc测出来的绝对时间和机器负载强相关，直接把它当“运算量”写进论文会被追问。常见的做法是把“运算量”定义成与机器无关的乘加次数，把“耗时”只作为参考量并注明测试环境。另外imresize在缩小图像时默认开启抗混叠，自己写的算法如果不做低通，缩小时 PSNR 会明显偏低，这是对比时的常见误解，后面避坑那章会细说。

三种常见技术路线的取舍可以列成这样：

对一份要交论文、要做算法横向对比的题目来说，第三行是最优解。真正需要警惕的是第二条：Python 环境里随手一个cv2.resize就把活干完了，论文里剩下的只有调参记录。

2.3 三层结构与目录组织

整套东西分三层，职责边界要划死，否则后期改一个算法会牵动评测脚本。

数据层负责读图、类型归一化、灰度与彩色分支、尺寸校验。这一层只做一次性的准备工作，任何算法文件里都不允许出现imread。算法层是七个（或更多）独立的.m文件，每个文件只实现一个核，输入输出都是double型、范围[0,1]的矩阵。评测层负责批量调度、指标计算、结果落盘，它只认统一接口，不关心内部用的是哪种核。

image-scaling/ ├── src/ │ ├── scale_image.m 统一入口，做分发和统计 │ ├── map_coords.m 反向坐标映射，所有算法共用 │ ├── interp_nearest.m │ ├── interp_bilinear.m │ ├── interp_bicubic.m │ ├── shrink_avg.m 邻域取平均缩小 │ ├── scale_ferguson.m 曲面插值 │ ├── scale_adaptive.m 带系数自适应 │ └── scale_edge.m 边缘定向 ├── bench/ │ ├── run_benchmark.m │ ├── metric_psnr.m │ └── metric_ssim.m ├── data/ │ ├── images/ 固定测试图，不要中途换 │ └── results/ 每次实验输出 csv 与对比图 └── demo.m 答辩现场用的三分钟脚本

目录定下来之后有条铁律：data/images/里的测试图一旦选定就不再替换。中途换图是实验结果无法复现的头号原因，答辩时被要求现场重跑，换过图的同学基本会卡住。

2.4 统一接口：一个函数签名管住所有算法

七种算法如果各写各的签名，评测脚本就得写七段分支，改一次倍率要改七处。统一入口的意义在这里：

function [out, stat] = scale_image(img, scale, method, varargin) % SCALE_IMAGE 图像缩放的唯一入口 % img : 输入图像，double 型，值域 [0,1]，尺寸 H×W 或 H×W×3 % scale : 缩放倍率，大于 1 放大，小于 1 缩小 % method : 'nearest' | 'bilinear' | 'bicubic' | 'avg' | ... % 'ferguson' | 'adaptive' | 'edge' % varargin: 'Boundary' 指定边界策略，'replicate'（默认）| 'zero' % out : 输出图像，double 型，值域 [0,1] % stat : 结构体，含 mac（乘加次数）、time（耗时）、size（输出尺寸） p = inputParser; p.addParameter('Boundary', 'replicate', @ischar); p.parse(varargin{:}); boundary = p.Results.Boundary;

参数说明要落到具体行为上：img强制double且归一化到[0,1]，是为了避免uint8溢出，这一点后面会单独讲；scale不做整数假设，允许 1.5、2.67 这类非整数倍率，因为视频格式转换本身就出现非整数倍率的情况；method用字符串而不是函数句柄，是为了让结果表里的算法名和代码里的名字一一对应，不会出现“表里写 bicubic、代码里跑的是自定义核”这种低级错误。

stat.mac这个字段容易被忽略，但它决定了论文里“运算量”一节能不能写扎实。做法是在每个算法内部按实际执行的乘加次数累加，比如双线性对每个输出像素做 4 次乘法加 3 次加法，乘加次数记 7，乘以输出像素总数就是总量。这个数值和运行机器无关，可以放心写进对比表。

接口定完，实验矩阵也就确定了：4 张测试图（细节丰富、大片平坦、含文字、含强斜边缘各一张）× 4 个倍率（0.5、1.5、2、3）× 7 种算法 +imresize基线，共 128 次运行。这个规模单机跑一遍在十分钟量级，适合反复迭代。

3. 算法模块落地：三种经典插值与四种改进方案的 MATLAB 写法

3.1 坐标映射：所有算法共用的第一步

缩放的实质是给目标图的每个像素找一个源图位置，然后取那里（或附近）的值。正向映射（源图坐标乘以倍率）会产生空洞，正确做法是反向映射，遍历目标像素反查源坐标。这个公共步骤单独抽成函数：

function [xs, ys] = map_coords(Ho, Wo, scale) % 反向映射：目标图坐标 -> 源图浮点坐标 % 采用像素中心对齐约定，避免整幅图偏移半个像素 % Ho, Wo : 输出图的行数、列数 [X, Y] = meshgrid(1:Wo, 1:Ho); % 目标图的列索引、行索引 xs = (X - 0.5) / scale + 0.5; % 列方向 ys = (Y - 0.5) / scale + 0.5; % 行方向 end

那两处0.5不是装饰。像素是有面积的，索引 1 代表的是第一个像素的中心，如果直接用X / scale，等于把像素当成没有面积的数学点，缩放后整幅图会在两个方向上各偏移半像素。这个偏移在肉眼上几乎看不出来，但在 PSNR 上会体现为两三个 dB 的差距，而且随着倍率变化不规律地波动。验证方法很简单：取scale = 1跑一遍，输出必须和输入逐元素相等，误差在1e-12量级以内。这一条自检建议写进代码注释里，每次改完映射公式先跑它。

3.2 最近邻插值：取整规则决定一切

function out = interp_nearest(img, scale) % 最近邻插值：取浮点坐标最近的整数像素，不产生新灰度值 [H, W, C] = size(img); Ho = round(H * scale); Wo = round(W * scale); [xs, ys] = map_coords(Ho, Wo, scale); xi = min(max(round(xs), 1), W); % 四舍五入后钳位到合法索引 yi = min(max(round(ys), 1), H); out = zeros(Ho, Wo, C); for c = 1:C ch = img(:,:,c); out(:,:,c) = ch(sub2ind([H W], yi, xi)); end end

这个算法乘加次数为零，只有索引操作，所以运算量在七种算法里最低，快到几乎测不出耗时。它的缺点同样明确：输出图像只由原图的像素值构成，不产生任何新灰度，放大后边缘呈阶梯状，缩小时直接丢像素导致严重混叠。在对比实验里它承担的角色是“下界”，也就是所有改进算法都必须显著优于它的那条线。如果某个改进算法在细节丰富的图上只比最近邻高 1 dB，那这个改进基本可以判定无效。

round的取整规则也值得留意。MATLAB 的round对.5采用远离零的方向取整，而某些语言的默认行为是银行家舍入。这不是这一节的考点，但在跨语言核对结果时会冒出来，写论文时不必展开，自己心里有数即可。

3.3 双线性插值：两次一维线性插值的组合

function out = interp_bilinear(img, scale) % 双线性：在行、列两个方向各做一次线性插值，权重由小数部分决定 [H, W, C] = size(img); Ho = round(H*scale); Wo = round(W*scale); [xs, ys] = map_coords(Ho, Wo, scale); xf = floor(xs); yf = floor(ys); ax = xs - xf; ay = ys - yf; % 小数部分即权重，必须用未钳位的 floor x0 = min(max(xf, 1), W); x1 = min(max(xf+1, 1), W); y0 = min(max(yf, 1), H); y1 = min(max(yf+1, 1), H); out = zeros(Ho, Wo, C); for c = 1:C ch = img(:,:,c); p00 = ch(sub2ind([H W], y0, x0)); p01 = ch(sub2ind([H W], y0, x1)); p10 = ch(sub2ind([H W], y1, x0)); p11 = ch(sub2ind([H W], y1, x1)); out(:,:,c) = (1-ay).*(1-ax).*p00 + (1-ay).*ax.*p01 ... + ay.*(1-ax).*p10 + ay.*ax.*p11; end end

代码里最容易写错的是权重那一行。如果先对xf钳位再用钳位后的值算ax，图像最外一圈的权重就会全部变成零，输出在那一条边上退化成最近邻，表现为一圈硬边。正确顺序是先用原始floor算小数权重，再单独钳位索引。这一处细节在第 5 章还会以“翻车现场”的形式出现一次。

双线性的乘加次数是每输出像素 7 次，比最近邻多，但换来的是连续的灰度过渡。它的固有缺陷来自核函数本身：线性核的频域响应是 sinc 平方，高频衰减快，所以放大后图像整体偏软，文字和细线条会糊。这是所有线性插值的通病，也是后面改进算法要解决的问题。

3.4 双三次插值：核函数的支撑集扩到 4×4

双三次插值使用三次卷积核，每个输出像素要看 4×4 共 16 个邻点：

function w = cubic_kernel(t, a) % Keys 三次卷积核，t 为归一化距离（以像素为单位），a 常取 -0.5 t = abs(t); w = zeros(size(t)); m1 = t <= 1; % 中心区间 m2 = t > 1 & t < 2; % 旁瓣区间 w(m1) = (a+2)*t(m1).^3 - (a+3)*t(m1).^2 + 1; w(m2) = a*t(m2).^3 - 5*a*t(m2).^2 + 8*a*t(m2) - 4*a; end

主循环里先用map_coords得到浮点坐标，再取以floor为中心的 4×4 邻域，行列两个方向各算四个权重，最后做一次 4×4 加权求和。权重矩阵可以直接写成wy' * wx，四行四列，与图像块逐元素相乘后求和，比四层循环清晰得多。a取-0.5是常用值，它的作用是在“保持边缘锐度”和“抑制振铃”之间取折中；把a调向-0.75会更锐，但强边缘两侧会出现可见的光晕，论文里可以补一组a的敏感性实验，成本很低，效果不错。

边界处理是这个算法唯一麻烦的地方。取[i-1, i+2]时，i = 1会取到索引 0。通常的做法是先把整幅图四周各复制填充两圈：

function p = pad_replicate(img, r) % 复制边界填充，避免邻域越界；比补零更不容易在边缘产生黑边 p = padarray(img, [r r], 'replicate', 'both'); end

填充之后，坐标要整体加r再做索引。补零和复制边界的差别在图像四周两三个像素的范围内，对整幅 PSNR 影响不大，但对“边缘是否有黑框”这种一眼可见的问题影响很大，答辩演示时尤其明显。

双三次的乘加次数是每输出像素约 64 次（16 个邻点，每点一次乘法一次累加，加上权重计算），大约是双线性的九倍。这个比例是后面“画质提升值不值这个代价”讨论的量化基础。

3.5 四种改进方案：各自解决一个具体毛病

改进算法不必写得比经典算法更复杂，但每个都要能对应到经典算法的一个具体缺陷，否则评委会问“你这个改进到底改了什么”。

邻域取平均缩小，针对的是最近邻缩小直接丢像素导致的混叠。做法是先按缩放倍率确定源图对应的邻域大小，目标像素取该邻域的均值。0.5 倍缩小时，每个目标像素对应 2×2 源像素，取四者均值即可；非整数倍率时邻域大小要取整并做面积加权，否则会出现明暗不均的条带。这个算法只在缩小时有意义，放大时退化成最近邻，论文里要写清楚适用范围。

Ferguson 曲面插值，思路是把一维的 Ferguson 曲线推广到二维曲面，用 4×4 邻域的 16 个点拟合一张双三次曲面，其切向量由邻点差分估计。写出来和双三次的加权求和形式相似，区别在权重的来源：双三次的权重来自固定的核函数，Ferguson 的权重来自曲面方程的系数求解。实现上可以用矩阵形式一次算完 16 个系数，避免逐像素解方程。它的表现通常在平坦区域略优于双三次，在强边缘处提升有限，这个结论本身就可以写进对比章节。

带系数自适应插值，针对的是固定核函数无法兼顾平坦区和边缘区。做法是先算局部梯度幅值，梯度小的地方用接近双线性的权重（平滑），梯度大的地方加大中心邻点的权重（保锐）。核心是一个随梯度变化的系数，可以写成梯度幅值的归一化函数。这里要有意识地控制参数个数，一个可调系数足够，两个以上就需要做参数扫描，工作量翻倍而结论不一定更清晰。

边缘定向插值，针对的是阶梯效应。先估计每个位置的边缘方向（常用 Sobel 或简单的四点差分），插值时沿边缘方向取邻点，垂直方向少取或不取。简化版只区分水平、垂直两个方向，按梯度分量的大小选择插值方向。这个算法在斜边缘上提升明显，在纹理区域可能反而不如双三次，因为它对方向判断的错误很敏感。论文里要如实写出这个短板，只报喜不报忧的结果表很容易被追问。

3.6 多帧融合那一条线该怎么定位

任务书里往往还会出现“提高分辨率的多帧融合”这类内容，它和单帧缩放不是一回事：单帧缩放是在已有信息里做插值，多帧融合是拿多帧亚像素位移的图像补出新的高频信息，属于超分辨的范畴。合理的定位是把它作为论文的一节扩展，讲清楚共轭梯度法在其中的作用（求解一个大型稀疏线性系统，把配准后的多帧约束联立），实验上做两三组迭代即可，不要承诺实时性，也不要和单帧算法放在同一张 PSNR 表里直接比较，因为评价基准不同。把它和主线切开，反而显得对问题边界有清楚认识。

4. 评测体系设计：把画质翻译成 PSNR、耗时与乘加次数

4.1 放大实验的真值从哪来

这是整套评测里最需要想清楚的一点。放大操作没有真值，因为高分辨率原图本来就不存在。如果随便找一张图放大，然后凭肉眼说“这个更清楚”，整章结论都建立在主观判断上。

可行的做法是闭环：取一张高分辨率原图，先缩小s倍，再放大s倍回到原尺寸，拿重建结果和原图比。误差越小，说明算法在这一对倍率组合下的重建能力越强。这个闭环的隐含假设是“缩小过程损失的信息，放大过程能部分恢复”，对评估插值核的平滑程度和边缘保持能力是有效的。缺点是它偏向于奖励与缩小核“互逆”的放大核，所以缩小那一步必须所有算法统一用同一个核（通常用面积平均），不能各缩各的。

PSNR 的实现不用调工具箱，四行就够，还能避免不同版本函数签名不一致：

function p = metric_psnr(ref, out) % 峰值信噪比，输入均为 double 型、值域 [0,1] d = ref(:) - out(:); mse = mean(d.^2); if mse < 1e-12 p = Inf; % 完全一致，避免除零 else p = 10 * log10(1.0 / mse); end end

注意峰值取1.0而不是255，因为全流程都在[0,1]上做。如果某一步混进了uint8，这个函数算出来的值会离谱到没法看，反而成了一个有效的类型检查。另外，重建结果和原图在边缘几个像素上受边界填充影响，通常裁掉 3 到 5 个像素再算 PSNR，否则边界策略的差异会污染整体数值。

PSNR 只反映均方误差，对结构信息不敏感。补一个 SSIM 会更完整，它的计算分块做，窗口内算均值、方差、协方差，最后取平均。自己实现大约三十行，也可以直接用工具箱，但要在论文里写明用的是哪个版本、窗口大小是多少，否则复现不了。

4.2 耗时与运算量要分开报

耗时用tic/toc测，但有三条规矩：第一次运行不计入（JIT 预热）、同一配置跑五次取中位数、测试期间关掉其他占资源的程序。即便如此，耗时仍然只能作为参考量。真正写进对比表、用来支撑“运算量”结论的，是stat.mac记录的乘加次数，它和硬件无关，可以算出精确的倍数关系。

批量实验的主循环大致长这样：

methods = {'nearest','bilinear','bicubic','avg','ferguson','adaptive','edge'}; scales = [0.5 1.5 2 3]; rows = cell(0, 6); for f = 1:numel(files) I = im2double(imread(files{f})); % 统一转 double 并归一化 for s = 1:numel(scales) for m = 1:numel(methods) scale_image(I, 1, 'nearest'); % 预热，结果丢弃 t0 = tic; [J, st] = scale_image(I, scales(s), methods{m}); t = toc(t0); if scales(s) > 1 % 仅放大做闭环 PSNR K = scale_image(J, 1/scales(s), 'avg'); p = metric_psnr(I(4:end-3, 4:end-3, :), K(4:end-3, 4:end-3, :)); else p = NaN; % 缩小无真值，只比耗时与主观 end rows(end+1,:) = {files{f}, scales(s), methods{m}, p, t, st.mac}; end end end

循环里那行预热调用看起来多余，实际能消掉首次调用几十毫秒的额外开销，不做的话最近邻这种极快的算法测出来的时间会被放大好几倍，排名完全失真。缩小的那一支不计算 PSNR，这个取舍要在论文里说明白，不能留一个空列让评委去猜。

4.3 结果表和图怎么组织

结果呈现遵循“一表看全貌，一图看差异”的原则。表可以长这样（数值为示意，须替换成自己的实测数据）：

表格按倍率分列，比按算法分行更好读，因为读者最关心的横向问题是“同一个倍率下谁更好”。乘加量用相对值（以双线性的每像素 7 次为 1）比绝对值直观，评委一眼能看出双三次是双线性的九倍代价换来两 dB 左右的提升。

图只需要两类：一张局部放大的对比图（把文字区域或斜边缘裁出来并排，四到五种算法一栏），一条 PSNR 随倍率变化的折线（横轴倍率，纵轴 PSNR，每条线一种算法）。局部图要标出裁切位置，否则读者无法判断是不是挑了个有利的区域。折线图要固定纵轴范围，不同算法分别用不同纵轴范围是常见的小动作，被看穿一次就全盘失信。

5. 避坑与排查：五个能让整份实验结果作废的细节

5.1 整幅图偏移半个像素

现象是放大后的图像比预期往右下偏一点点，肉眼看不出，但 PSNR 比对照实现低三四个 dB，而且随倍率变化不规律波动。原因就是坐标映射少写了那半个像素的补偿，用了X / scale而不是(X - 0.5) / scale + 0.5。解决方式是把map_coords单独抽出来，并在它上面加一条自检：scale = 1时输出必须和输入完全相等。这条自检后来成了我这边所有几何变换类代码的第一道门。

5.2 uint8 与 double 混用

现象是输出图像出现大片纯白或纯黑的斑点，或者 PSNR 掉到个位数。原因有两层：一是加权求和的结果超出[0,255]后按uint8存回去发生回绕，255 加一点变成 0，于是白点变黑点；二是double(uint8_img)得到的是[0,255]范围的数，而im2double得到的是[0,1]，两种写法混用会让权重完全失效。解决办法是硬性规定：进入算法层之前一律im2double，算法层内部只认[0,1]，输出前统一钳位out = min(max(out, 0), 1)。钳位这一步不能省，三次核会在边缘产生轻微过冲，不钳位时写图会报警告。

5.3 彩色图像逐通道处理导致彩边

现象是彩色图放大后，黑白文字或高对比边缘周围出现红绿相间的镶边。原因是三个通道各自独立插值，同一个位置上的权重虽然相同，但各通道的过冲幅度不同，色度就跟着变了。处理方式有两种：省事的做法是保证三通道用完全相同的坐标和权重，只在最后合并，这能消掉大部分差异；更进一步是转到亮度色度空间，只对亮度通道用高阶核，色度通道退化为双线性，因为人眼对色度的高频不敏感。后一种做法在论文里写出来很有分量，代码改动不到二十行：

ycbcr = rgb2ycbcr(img); Y = scale_image(ycbcr(:,:,1), scale, 'bicubic'); Cb = scale_image(ycbcr(:,:,2), scale, 'bilinear'); Cr = scale_image(ycbcr(:,:,3), scale, 'bilinear'); out = ycbcr2rgb(cat(3, Y, Cb, Cr));

5.4 边界越界与边缘黑框

现象是双三次插值一跑就报索引越界，或者不报错但输出最外一圈明显发暗。越界的原因是要取[i-1, i+2]；发暗的原因是越界位置补了零，等于告诉算法“图像外面是黑的”。解决办法是复制边界填充，即padarray(..., 'replicate')，并把坐标整体偏移填充宽度。这里还有个连带问题：填充之后如果用填充前的尺寸去算输出尺寸，最后会裁错，表现是图像右下多出一条重复内容。写完填充逻辑后，随手打印一次size前后对比，能省掉半小时排查。

5.5 计时方式不对，运算量结论站不住

现象是同一个算法前后两次运行耗时差三成以上，据此得出的“某算法比某算法快一倍”根本经不起复述。原因包括首次调用的编译预热、后台程序抢占、tic/toc在高精度要求下的截断误差。解决办法前面提过：预热一次、跑五次取中位数、把乘加次数作为主结论、把耗时作为辅证。还有一个容易忽略的点是测试图像尺寸——用 256×256 的小图做耗时对比，全部算法都在十毫秒以内，差异淹没在噪声里；换到 1920×1080 才拉得开。论文里要写明测试图的尺寸，否则数据无法被复现。

6. 验收与答辩：三条自检线和一次三分钟现场演示

整套东西做完，能不能交，用三条线卡一遍就够了。

第一条是恒等线。scale = 1时，七种算法的输出都必须与输入逐元素相等，误差在1e-12以内。任何一条不过，说明坐标映射或权重归一化有问题，先修这里，别急着跑大实验。第二条是对照线。自己写的双三次，与imresize在同样的核参数、关闭抗混叠的条件下比较，PSNR 应该在 40 dB 以上；差距过大通常是填充策略或权重计算顺序不一致，不是算法本身错。这条线的价值在于，它把“我的代码有没有 bug”和“我的算法好不好”两个问题彻底分开。第三条是复现线。删掉data/results/下所有输出，从命令行跑一次run_benchmark.m，生成的 csv 与论文里的表格逐格比对，必须一致。这条线最枯燥，也最能救命。

答辩演示只准备三分钟，脚本demo.m里放三样东西：一张含小号文字的图放大 3 倍，并排展示最近邻、双线性、双三次的结果，文字的可读性差异一目了然；一张含强斜边缘的图，展示边缘定向算法相比双三次的锯齿改善；一张耗时随倍率变化的曲线。演示时不要现场跑全量实验，128 次运行够评委等到走神，只跑单张图单倍率的几次调用，控制在十秒内出结果。

被问到“凭什么说双三次比双线性好”，回答要落到核函数而不是感觉：线性核的频域是 sinc 平方，高频衰减快，所以图像整体变软；三次核的支撑集从 2 扩到 4，频域旁瓣更低，通带更平，代价是每像素乘加次数从 7 涨到 64。说完这两句，再补一句实测的两 dB 差距，说服力就够了。被问到“你的改进算法为什么提升只有 0.4 dB”，如实回答这个提升量级在 PSNR 上本来就不显眼，真正的差别在局部放大图和乘加代价上，然后把那张裁切图翻出来。

我自己的习惯是：所有涉及坐标、类型、边界这三类改动的代码，提交前都必须重跑一遍恒等线和对照线，哪怕只是改了一个round换成了floor。这两条自检加起来不到两分钟，却能挡住绝大多数让整份实验结果作废的低级错误。当年第一次跑全量实验，因为填充后没裁对尺寸，一下午的数据全废，从那以后每次改完边界逻辑，我都强制走一遍这两条线。希望这套结构能帮到你，剩下的就是把图跑出来、把表填满了。

本文还有配套的精品资源，点击获取