包含最近邻插值、双线性插值和三次插值的matlab代码，自己已经测试过，使用的时候注意将图片转换为位图，否则会出现错误。

为研究各种重采样方法的不同特点,采用比较分析法,在充分分析最邻近内插法、双线性内插法和三次卷积法数学原理的基础上,对3种方法的实现效果以及程序耗时进行了分析.结果表明:采用最合适的影像重采样算法进行几何校正、核线影像构建等操作可以合理平衡影像灰度失真带来的误差和程序耗时之间的关系,从而得到最佳的处理结果.最终通过对实验结果的对比分析,得出了3种方法的优缺点和适用范围,为测绘工作提供相应的参考.

数据库技术网 我们的NeurIPS'19论文的代码的MXNet版本 双线性特征变换在学习细粒度图像表示中显示了最新的性能。 提出的DBTNet可以将双线性特征深深地集成到CNN中，以学习细粒度的图像表示。 框架 主要结果 方法 方面 CUB-200-2011 斯坦福车 飞机 紧凑双线性 14k 81.6 88.6 81.6 内核池 14k 84.7 91.1 85.7 iSQRT-COV 8k 87.3 91.7 89.5 iSQRT-COV 32k 88.1 92.8 90.0 DBTNet-50（我们的） 2k 87.5 94.1 91.2 DBTNet-101（我们的） 2k 88.1 94.5 91.6 先决条件 MXNet 1.3.1 GluonCV 0.3.0 快速开始 准备数据： 下载imagenet数据： cd

采用最临近 双线性 三次卷积插值三种技术方案对图像进行缩放

C#的二维数组双线性插值算法。 用于二维数组的双线性插值算法，可分别设置长度和宽度。

该函数可以根据指定的延展性 (μ) 通过迭代获得输入加速度图的以下项目： 1. 非弹性位移谱 (iSd-T)， 2. 非弹性速度谱 (iSv-T)， 3. 非弹性加速度谱（iSa-T）， 为此，采用了纽马克的方法，并以数值方式求解了运动方程。 此功能与AK Chopra 所著《结构动力学》一书的第4 版完全兼容。

abaqus二次开发学习，主要用于内聚力界面的学习，直接调用即可

DBCNN：使用深双线性卷积神经网络进行盲图像质量评估

输入经纬度值，可以获取该点对应的高程值，代码中增加了redis数据库的使用，用于进度条，增加omp线程优化，输入在json文件里面配置

BMP旋转放缩(双线性插值，三次卷积插值)的c语言实现(含主程序可直接运行) 内含有使用说明书，代码清晰易懂。学习的好帮手，我就想要点下载积分/哭/哭/哭/哭