Bayer模板3x3矩阵插值/双线性插值算法

彩色复原/去马赛克：通过CFA插值获得全彩色图像的过程。

1) G在中间，上下B，左右R

3) R在中间，四边G，四角B

4)  B在中间，四边G，四角R

从整个领域插值算法的过程来看，恢复缺失像素时没有考虑图像边缘的变化，只是简单地利用了中心像素的领域通道的分量值进行了加权平均，相当于对要恢复的分量使用了均值滤波器，这样虽然会得到平滑的图像，但也造成了图像的边缘和细节模糊。

可以看出, 双线性算法实现非常简单, 在平滑区域可以预见得到比较好的效果; 但在边缘区域, 因为像素的取值具有方向性, 不能简单地由周围的像素计算平均值得出(详见基于梯度的算法)。因此, 对边缘区域采用双线性插值将产生极大的误差, 呈现锯齿状, 称为拉链效应。

Bayer模板3x3/5x5边缘导向算法

为了克服领域线性插值算法带来的边缘模糊的问题，Laroche和Prescott提出了一种基于梯度的边缘导向（edge2 directed）插值算法。插值过程中，首先比较水平方向和垂直方向上的梯度大小，取梯度较小的方向上的像素点作为估计点计算当前缺失像素，可以避免跨边缘彩色插值导致的边缘模糊。

而由于人眼对绿色较为敏感，为了尽量减少算法的复杂度，该算法主要对恢复缺失的G分量的两种排列方式时（上述情况（3）、（4）,（1）、（2）不变），使用了边缘导向算法（恢复缺失的R或B分量，则采用对角线梯度来修正实现）。

相比于Bayer模板3x3矩阵插值运算而言，边缘导向算法采用了3x3或者5x5模板（研究结果如下所示，具体性能有待考证），同时在计算中R、G时还采用了G分量的信息，虽然损失速度和资源，但大大的提升了图像的质量，物超所值。

3x3的边缘导向算法：

原有的3x3模板不变，无需使用不同像素的通道信息，考虑G分量的水平、竖直梯度，以及R/B的对角线梯度，进一步保留图像的边缘信息：

1) R在中间，四边G，四角B

2) B在中间，四边G，四角R

由于在处理过程中边界行列的舍取，相对于5x5而言，3x3更多的减少了边界效应。3x3如下图所示，采用一般的3x3领域插值算法，与采用边缘导向算法，处理后的得到图像，进行边沿提取进行对比，可见边缘导向算法后边缘和细节更加完整，同时，由于在改进型插值方案中，采取了对角线梯度法，红色和蓝色分量也更加接近真实。