当您重新采样或重新投影数据时，您可能必须对数据使用双线性插值（双线性重采样）。
最常见的重采样运算符是双线性插值、三次卷积和最近邻。
今天，我们关注双线性插值，它估计具有 4 个已知值的输出表面。
它与其他插值技术有何不同？让我们来看看。
什么时候使用双线性插值？
在我们对双线性插值进行全面深入的解释之前，重要的是首先要知道为什么要使用它。
温度梯度栅格、数字高程模型、年降水量网格和噪声距离栅格都是可以使用插值对图像进行重采样的潜在示例。每个示例都具有连续变化的单元格到单元格以形成表面的值。
以下是何时使用双线性插值的几个示例：
- 当您将数据从一种像元大小重新采样到另一种像元大小时，您正在更改像元大小并且需要插值。
- 当您将光栅数据投影到另一个坐标系时，您正在更改配置并对数据重新采样
在这两种情况下，您都会使用重采样技术。因为当您有输入栅格时，如果输入像元不匹配，输出栅格如何知道输出基于哪些像元？
您必须选择一种重采样技术，例如双线性插值、三次卷积或最近邻。
双线性重采样的工作原理
双线性插值是一种基于附近网格单元计算网格位置值的技术。关键区别在于它使用四个最近的单元格中心。
使用四个最近的相邻像元，双线性插值通过取加权平均值来分配输出像元值。它根据四个最近的像元中心的距离应用权重来平滑输出栅格。
推荐对没有明显边界的连续数据集使用双线性插值。表面必须是连续的，并且最近的点必须是相关的。
当您运行该过程时，它会生成一个更平滑的表面，但不像使用 16 个相邻单元格的三次卷积那样严重。输出栅格将仅采用四个最近的像元中心并应用距离的平均值。
为什么使用双线性插值？
双线性插值的主要区别在于它使用4 个最近的邻居来生成输出表面。
另一方面，三次卷积使用 16 个最近的邻居，使表面更加平滑。
双线性插值假定输入是连续的。
这种重采样方法使用距离平均值来估计更近的单元格被赋予更高的权重。
