1 基本概念
1.1 定义
重采样是指在不改变数据主要信息结构的前提下，对离散数据重新生成采样点、调整采样间隔或改变样本数量的过程。它既可以作用于连续信号离散化后的数据，也可以作用于图像、视频帧、统计样本等多种对象。不同场景中，重采样的侧重点并不完全相同，但核心都围绕“重新组织已有信息”展开。
1.2 适用场景
重采样常用于采样标准不一致的情况，例如不同设备记录的数据频率不同，或不同算法要求统一输入尺度。在音频处理中，它可以用于采样率转换；在图像和视频处理中，它可用于缩放、尺寸匹配和帧率调整；在数据科学中，则常用于抽样估计、训练集平衡和稳健性分析。凡是需要在精度、容量与计算成本之间进行折中时，重采样都具有较高的实用价值。
1.3 与采样、重建的关系
采样是从连续对象中提取离散点的过程，重建则是根据离散点尽可能恢复原始信号或图像。重采样介于二者之间，既可能包含对原始离散数据的再次采样，也可能依赖插值和滤波等手段，生成新的采样表示。可以说，重采样往往以采样结果为基础，并借助重建思想来构造新的数据形式。
1.4 核心目标
重采样的核心目标通常包括三点：第一，尽可能保持原始信息的完整性与结构特征；第二，使数据适配不同系统、格式或算法的要求；第三，在精度、速度和存储开销之间取得合理平衡。实际应用中，目标不同会直接影响方法选择，例如偏重保真时更关注插值质量，偏重效率时则更看重计算开销。
2 常见类型
2.1 上采样
上采样是通过增加采样点数量来提高数据的离散密度。它并不必然增加原始信息，而是让信号、图像或序列在表示上更细致，便于后续处理。上采样常见于放大图像、提高音频采样率或生成更密集的时间序列。
2.1.1 插值上采样
插值上采样通过估计已有采样点之间的中间值来生成新样本。其结果通常较平滑，适合视觉和听觉上要求较高的场景。插值方式不同，会直接影响细节保留程度与边缘锐利度。
2.1.2 零插入上采样
零插入上采样是在相邻采样点之间插入零值，再配合滤波处理，达到提高采样率的目的。该方法常见于数字信号处理中，尤其适用于需要与滤波器组合使用的系统。它的优点是结构简单，但若后续处理不足，可能带来明显的频谱副作用。
2.2 下采样
下采样是减少采样点数量、降低数据密度的过程。它常用于压缩存储空间、减少计算量或将高频信息不再需要的信号转换为较低分辨率形式。若处理不当，下采样容易损失细节，因此通常需要配合适当的滤波手段。
2.2.1 抽取
抽取是按固定间隔保留部分样本、舍弃其余样本的下采样方式。它实现简单、效率较高，但若原数据中存在较强高频成分，容易产生失真。为了获得更稳定的结果，抽取一般会与预先滤波结合使用。
2.2.2 降频处理
降频处理主要用于把高采样率信号转换为低采样率信号。它不仅涉及样本减少，还涉及对频率成分的重新分配与控制。该过程在音频播放、通信系统和传感器数据处理中非常常见。
2.3 随机重采样
随机重采样是根据随机机制重新抽取样本的一类方法，常见于统计学、机器学习和数据分析。它的重点不是改变信号分辨率，而是通过重复抽样或重新组合样本来估计总体特征、评估模型波动或构造训练数据。
2.3.1 有放回抽样
有放回抽样允许同一样本在一次重采样过程中被多次选中。该方式常用于Bootstrap等统计方法中，能够模拟重复观测的效果，并用于估计参数分布或置信区间。由于样本可重复出现，最终结果往往具有一定随机波动。
2.3.2 无放回抽样
无放回抽样要求每个样本在一次过程里最多被选中一次。它常用于数据划分、子集选择和实验设计，能够保证抽取结果内部不重复。与有放回抽样相比，这种方式更适合构建互不重叠的数据分组。
3 数学与算法基础
3.1 插值方法
插值方法是重采样中最常见的数学基础之一。其基本思想是在已知离散点之间建立函数关系，从而估计未采样位置的数值。不同插值策略在精度、平滑性和计算复杂度方面各有差异。
3.1.1 最近邻插值
最近邻插值直接取距离目标位置最近的已知样本值作为结果。它的实现最为简单，速度快，适合实时性要求较高的场合。但由于跳变明显，边缘和纹理容易显得生硬。
3.1.2 线性插值
线性插值通过相邻两个样本之间的线性关系来估计中间值。相比最近邻插值，它通常更平滑，也更常用于图像缩放和信号重采样。其缺点是对复杂曲线或细节变化的拟合能力有限。
3.1.3 样条插值
样条插值使用分段多项式对数据进行拟合，能够在较高程度上保持曲线连续性与平滑性。它适合对质量要求较高的重采样任务，尤其在图像、音频和科学计算中应用广泛。不过，样条插值计算成本通常高于简单插值方法。
3.2 抗混叠处理
抗混叠处理是下采样中的关键步骤，目的是在降低采样率之前抑制高频成分，避免不同频率信息在采样后相互干扰。它通常通过滤波实现，是保证重采样质量的重要环节。
3.2.1 低通滤波
低通滤波用于保留低频成分、削弱高频成分，从而减少下采样后出现的失真。它在频率转换、图像缩小和音频降采样中都很常见。滤波器设计是否合理，会直接影响最终结果的清晰度与自然度。
3.2.2 混叠现象
混叠现象是指采样率不足时，高频信息被错误地表示为低频信息，导致信号结构失真。它常表现为图像中的摩尔纹、锯齿边缘或音频中的异常杂音。避免混叠通常是重采样设计中的首要任务之一。
3.3 误差分析
重采样不可避免地会引入一定误差，因此需要从数值和视觉、听觉效果等角度进行评估。误差分析有助于判断方法是否适合具体任务，也有助于确定性能与质量之间的平衡点。
3.3.1 量化误差
量化误差是由于离散表示有限精度而产生的偏差。它在数值计算、数字音频和图像灰度表示中较为常见。虽然通常较小，但在多次处理或高精度任务中可能逐渐累积。
3.3.2 重构误差
重构误差是重采样后结果与原始数据之间的差异，反映方法对原信息的保真程度。它既受插值策略影响，也受滤波、采样率变化和边界处理方式影响。较低的重构误差通常意味着更好的重采样质量。
4 典型应用领域
4.1 音频处理
音频中的重采样主要围绕采样率、时长和音高等要素展开。由于不同播放设备、录音格式和处理系统可能使用不同采样标准，重采样在音频工作流中十分常见。
4.1.1 采样率转换
采样率转换用于在不同音频采样频率之间进行转换，例如将高采样率音频适配到统一播放标准。该过程通常结合插值、抽取和滤波，以尽量保持音质并减少失真。
4.1.2 音高与时长调整
在某些音频处理工具中，重采样可用于改变播放速度，从而影响音高和时长。若仅改变采样率而不做额外补偿，声音会随之变调；若配合专门算法，则可以实现相对独立的时长或音高调整。
4.2 图像处理
图像重采样主要体现在缩放、分辨率转换和显示适配等方面。它决定了图像在放大后是否清晰、缩小时是否保留主要细节，因此是图像处理中的基础操作。
4.2.1 图像缩放
图像缩放通过重新计算像素值来改变图像尺寸。常见方法包括最近邻、双线性和更高阶插值。不同方法会在清晰度、边缘平滑度和速度之间形成不同取舍。
4.2.2 分辨率转换
分辨率转换用于在不同显示或存储规格之间调整图像采样密度。它常见于多终端适配、缩略图生成和图像归档。转换过程中若处理不当，容易出现模糊、锯齿或细节损失。
4.3 视频处理
视频重采样既涉及空间分辨率，也涉及时间维度上的帧率。由于视频由连续帧组成，任何重采样都可能同时影响画面流畅性与清晰度，因此通常需要综合考虑。
4.3.1 帧率转换
帧率转换用于在不同播放标准之间调整视频每秒帧数。它可以使视频适配不同设备或平台的要求，也可用于流畅度优化。帧率变化若处理不当，可能导致画面卡顿或运动不自然。
4.3.2 尺寸与清晰度调整
视频尺寸调整常伴随画面重采样，目的是在降低文件体积或匹配屏幕大小的同时，尽量保持可视质量。对于压缩传播而言，这类处理十分常见，尤其在移动端和网络传输场景中。
4.4 数据科学与机器学习
在数据分析与机器学习中，重采样常用于构建训练集、评估模型稳定性以及缓解样本分布问题。此时，重采样更多体现为统计意义上的重新抽取，而不只是信号维度上的变化。
4.4.1 数据集再抽样
数据集再抽样指从原始数据集中重新抽取子样本，用于训练、验证或测试。它可帮助研究者观察模型在不同样本组合下的表现变化，也能减少偶然分割带来的偏差。
4.4.2 Bootstrap 方法
Bootstrap 方法是一种基于有放回抽样的统计重采样技术，常用于估计参数分布、标准误差和置信区间。它不依赖额外数据即可进行不确定性分析，因此在统计推断和机器学习评估中应用广泛。
4.4.3 类别不平衡处理
在类别分布不均的数据中，重采样可用于平衡不同类别的样本数量。常见做法包括对少数类上采样或对多数类下采样，以改善模型对少数类别的识别能力。这种方法通常需要与其他策略配合，避免引入过拟合或信息损失。
5 实现方法
5.1 软件实现
软件实现是重采样最常见的方式，通常依赖算法库、图像处理库或音频处理库完成。其优势在于灵活、易扩展，并便于根据任务需要切换不同插值和滤波策略。
5.1.1 数字信号处理库
数字信号处理库通常提供采样率转换、滤波和频域处理等功能，适合音频与通用信号重采样。它们往往封装了较成熟的算法，便于在开发中快速调用。
5.1.2 图像处理库
图像处理库通常支持多种缩放插值方式，并可处理边界延拓、抗锯齿和颜色通道转换等问题。借助这些库，开发者可以较方便地实现图像和视频的尺寸调整。
5.2 硬件实现
硬件实现强调实时性和稳定性，常见于对延迟敏感的系统。与纯软件方案相比，硬件方案更适合固定流程、持续运行或资源受限的场景。
5.2.1 实时处理系统
实时处理系统可在数据流到达时立即完成重采样，广泛用于通信、录音和在线媒体处理。其关键在于保证处理延迟可控，并维持足够的输出质量。
5.2.2 嵌入式设备
嵌入式设备通常算力和内存有限，因此重采样实现需要兼顾效率与资源占用。为了适应这类环境，常采用简化插值、定点运算或专用硬件模块。
5.3 并行与加速
随着数据规模增大，重采样常需要借助并行计算来提升效率。并行化能够减少处理时间，尤其适合大图像、长音频和批量数据任务。
5.3.1 GPU 加速
GPU 加速利用大量并行计算单元同时处理多个采样点或像素点，适合矩阵化、规则性强的重采样操作。它在图像和视频处理领域尤其常见。
5.3.2 SIMD 优化
SIMD 优化通过单指令多数据方式在处理器层面同时计算多个元素，从而提升重采样速度。该方法常用于底层库和性能敏感的实现中，能够在不改变算法结构的前提下提高吞吐量。
6 性能评估
6.1 保真度指标
保真度指标用于衡量重采样结果与原始数据之间的接近程度。不同类型的数据通常采用不同评价方式，既要看整体误差，也要看局部结构是否被保留。
6.1.1 峰值信噪比
峰值信噪比常用于图像和音频质量评价，用以表示重构结果相对原始数据的误差水平。数值越高，通常说明失真越小，但它并不总能完全反映主观感受。
6.1.2 结构相似性
结构相似性更关注图像或信号的结构特征是否保持一致。相较于单纯的数值误差，它更能反映人眼感知中的亮度、对比度与局部结构变化。
6.2 计算复杂度
计算复杂度决定重采样方法是否适合大规模或实时场景。复杂度越低，通常意味着处理越快，但有时也会牺牲一定精度。
6.2.1 时间复杂度
时间复杂度反映完成一次重采样所需的计算量。简单插值方法通常速度较快，而高阶插值和精细滤波则需要更多运算资源。
6.2.2 空间复杂度
空间复杂度主要指处理过程中额外占用的内存规模。对于批量图像、长序列信号或高分辨率视频，空间控制往往与计算速度同样重要。
6.3 稳定性与鲁棒性
稳定性与鲁棒性关注重采样方法在噪声、边界和异常输入条件下的表现。一个可靠的方法不仅要在理想条件下有效，也要能在实际数据波动中保持可用。
6.3.1 噪声敏感性
噪声敏感性描述重采样对随机扰动的反应程度。若方法过于敏感，输出结果可能因微小噪声而明显波动；若鲁棒性较好，则能更稳定地保留主要信息。
6.3.2 边界效应
边界效应是指在数据边缘处进行重采样时，因样本不足或延拓策略不同而产生的异常现象。它常见于图像边缘模糊、信号端点失真等情况，需要通过合理的边界处理进行缓解。
7 相关概念
7.1 采样定理
采样定理说明了在满足一定条件时，连续信号可以由离散样本无失真地表示。它为重采样中的采样率选择、滤波设计和重建过程提供了理论基础。
7.2 插值
插值是根据已知点估计未知点的数学方法，也是重采样中最常见的技术之一。它在图像缩放、信号平滑和数值分析中都具有基础地位。
7.3 重建
重建是从离散样本恢复连续或更高分辨率表示的过程。重采样中许多算法本质上都带有重建思想，尤其是在上采样与信号恢复场景中。
7.4 信号变换
信号变换是将信号从一种表示形式转化为另一种形式的方法，如时域与频域之间的转换。重采样常与变换技术配合使用，以便分析频谱、控制带宽或优化处理流程。
7.5 数据增强
数据增强是通过变换、扰动或重组样本来扩充训练数据的一类方法。重采样常可作为数据增强的组成部分，帮助模型适应不同尺度、密度或分布条件。