一、通俗定义先分清核心区别结合你相机 / YUV 链路场景先统一术语采样从连续信号 / 高密度离散网格里挑选像素形成新分辨率图像插值利用相邻像素估算不存在的像素值只有上采样一定会用到插值1. 下采样Downsampling / 降采样图像尺寸变小 → 像素总数减少输入高分辨率图 → 输出低分辨率图 两种实现路线抽取式降采样直接抽取无插值每隔 N 个像素拿一个直接丢弃其余像素不计算、不估算 YUV444 → YUV420 的 UV 通道就是典型隔行隔列抽取纯抽取没有插值运算滤波 抽取先平滑再抽取先做低通滤波模糊再抽像素。 目的抑制混叠失真摩尔纹、锯齿、色彩畸变重点区分单纯抽取 ≠ 插值只有需要估算像素才叫插值。下采样通常不需要插值算法2. 上采样Upsampling / 升采样图像尺寸变大 →像素总数增多低分辨率图 → 高分辨率图 原图缺少像素必须依靠插值算法估算出新像素的值 NV12 转 RGB 时 UV 通道放大就是标准上采样。直观例子2 倍缩放下采样 2 倍宽高 ÷24 个像素变成 1 个上采样 2 倍宽高 ×21 个像素扩展覆盖 4 个位置二、主流算法分类 原理 使用场景嵌入式 ISP、RGA、NPU 通用一下采样常用算法1. 最近邻抽取Nearest Neighbor Downsample逻辑网格对齐直接取距离最近的像素丢弃其他公式理解逢 2 取 1不做任何加权计算✅ 优点速度极快、硬件最简单❌ 缺点容易产生混叠、锯齿、色彩断层场景简易 ISP 色度抽取、临时预览不推荐用于图像识别链路2. 双线性下采样Bilinear Downsample先对邻域像素加权平均滤波再抽取像素本质局部平滑后降分辨率✅ 优点抑制混叠画质均衡场景绝大多数摄像头 ISP、RGA 硬件缩放默认方案3. 双三次下采样Bicubic Downsample更大 3×3/4×4 邻域多项式加权平滑✅ 画质更好❌ 算力更高场景PC 图像处理边缘硬件较少原生支持4. 高斯金字塔下采样OpenCV 经典先高斯模糊低通滤波再抽取 理论最优抑制混叠常用于图像金字塔特征提取关键工程结论 YUV444→YUV420 标准色度降采样行业标准是 4:2:0 Chroma Subsample多数 ISP 使用最近邻抽取无滤波→ 所以我们之前说色度下采样不算插值二上采样常用算法一定会用到插值1. 最近邻插值 Nearest Neighbor规则新像素直接复制离它最近的原始像素 特点运算最简单硬件电路最容易实现色块明显、锯齿严重典型用途早期简易 ISP UV 上采样、极低功耗场景2. 双线性插值 Bilinear Interpolation边缘平台最普遍原理 先水平方向线性加权再垂直方向线性加权使用2×2 邻域 4 个原始像素加权算出新像素。✅ 均衡速度、画质折中绝大多数 NV12 转 RGB 时 UV 色度上采样默认算法RK、海思、地平线 DVPP/AIPP3. 双三次插值 Bicubic Interpolation使用 4×4 邻域 16 个像素三次多项式加权✅ 图像边缘更平滑减少模糊❌ 计算量显著上升软件图像处理多数嵌入式硬件 NPU/ISP 不原生硬件加速4. Lanczos 插值更大邻域、sinc 函数加权画质最高❌ 算力巨大几乎不用在实时边缘相机链路5. 深度学习上采样超分辨率 SRESPCN、Real-ESRGAN 等属于 AI 超分不属于传统硬件 ISP 范畴。三、结合之前的链路落地场景一一对应链路Bayer RAW → ISP → YUV420 (NV12) → 转 RGB 送入 CNNDemosaic拜耳重建本质属于上采样插值RAW 每个位置只有 R/G/B 单一颜色插值补齐另外两个通道。YUV444 → YUV420UV 通道下采样抽取无插值NV12 → RGBUV 通道上采样双线性插值为主完整链路复盘 Demosaic【上采样插值①】→ UV 下采样抽取无插值→ UV 上采样插值② → 也就是我们前面结论标准流水线 2 次插值四、一张表快速对比表格类型操作是否需要插值核心代价典型场景下采样 - 直接抽取图像缩小❌ 不需要插值易混叠摩尔纹YUV 色度抽取下采样 - 滤波抽取图像缩小滤波加权运算≠插值算力中等图像缩放 Resize上采样 - 最近邻图像放大✅插值锯齿明显极简硬件上采样 - 双线性图像放大✅插值均衡ISP 色度上采样上采样 - 双三次图像放大✅插值算力高软件图像处理五、高频误区纠正❌ “下采样就是插值” ✅ 错。单纯像素抽取式下采样没有任何插值运算只有放大图像的上采样才必须插值。❌ “插值 双线性” ✅ 插值是大类名称最近邻、双线性、双三次都属于插值算法。❌ YUV420 的 UV 压缩使用插值实现 ✅ 恰恰相反是抽取丢弃像素还原的时候上采样才使用插值估算丢失色彩。