mq(multi-quadrics)函数
多重二次函数（Multi-Quadrics，MQ）是一类广泛使用的径向基函数（RBF），用于在数学、工程和科学领域中进行函数逼近、插值和回归分析。多重二次函数的名称来自于它们可以被视为二次型函数的一般化形式。多重二次函数最初由Coulomb在18世纪被引入，并在20世纪60年代得到了进一步的解释。
多重二次函数通常被定义为以下形式：
$$MQ(r)=\sqrt{(c^2 +r^2)}$$
其中，r 是输入向量的欧几里得距离，c是一个常数。
在多重二次函数内部的距离r增加时，函数值增加的速度会减慢。当r趋近于无限大的时候，函数值趋近于c，这使得多重二次函数更容易处理长距离相关的输入数据。多重二次函数具有很好的平滑性和连续性，并且易于计算。
多重二次函数可以被用于各种应用，如插值、函数逼近、机器学习和数据挖掘。在插值问题中，多重二次函数通常用于确定空间内锥体（也称为高斯锥）上的点之间的距离。在机器学习和数据挖掘中，多重二次函数常用于基于核的方法中，作为正则化或核函数。
需要注意的是，多重二次函数存在一个参数c，该参数取决于输入数据的性质，因此需要进行调整，以得到最佳的结果。此外，由于多重二次函数在内部空间中具有平滑性和连续性，因此在输入数据超出内部空间时，可以导致函数值波动。这些问题可以使用其他技术来解决，如径向基函数网络的缩放参数和形状参数。
几种常用的插值方法
常用的插值方法包括线性插值、多项式插值、样条插值和径向基函数插值等，下面将依次介绍这些方法。
1.线性插值：
线性插值是最简单的插值方法之一，它假设函数在两个已知点之间的变化是线性的。对于给定的两个点(x0,y0)和(x1,y1)，线性插值公式为：
y=y0+(x-x0)*(y1-y0)/(x1-x0)
其中，y是需要插值的点对应的函数值，x是插值点的横坐标。
2.多项式插值：
多项式插值方法通过在给定的一组点上构建一个多项式函数来进行插值。常用的多项式插值方法包括拉格朗日插值和牛顿插值。
- 拉格朗日插值通过构建一个n次多项式来插值n+1个给定的点。具体来说，对于给定的n+1个点(x0, y0), (x1, y1), ..., (xn, yn)，拉格朗日插值公式为：
y = Σ(yk * lk(x))
其中，lk(x)是拉格朗日基函数，计算公式为：
lk(x) = Π((x - xj) / (xi - xj))，(j ≠ i)
- 牛顿插值通过构建一个n次插值多项式来插值n+1个给定的点。具体来说，对于给定的n+1个点(x0, y0), (x1, y1), ..., (xn, yn)，牛顿插值公式为： y = Σ(Π(x - xj) / Π(xi - xj) * finDiff(yj))
其中，finDiff(yj)是每个节点的差商，计算公式为：
finDiff(yj) = (ΣΠ(xj - xi) * yj) / ΣΠ(xi - xj)，(i ≠ j)
3.样条插值：
样条插值方法通过使用分段函数来逼近给定的一组点。常用的样条插值方法有线性样条插值和三次样条插值。
-线性样条插值在每两个相邻点之间使用线性函数进行插值，保证了插值函数的一阶导数是连续的。
-三次样条插值在每两个相邻点之间使用三次多项式进行插值，保证了插值函数的一阶和二阶导数都是连续的。三次样条插值具有良好的平滑性和精度。
径向基函数插值
径向基函数插值，也称为 放射基函数插值，是一种非线性插值技术，是计算机视觉中广泛应用的一种插值方法。它将像素点的值基于它们之间的相对位置，而不是照片空间中的绝对位置，来推算出来。
径向基函数插值的一个典型的应用是用于图像放大。三维软件排布图形或模型元素，经常使用放射基函数插值来从小分辨率到大分辨率的情况下进行更高质量的放大。当用于从小分辨率到大分辨率的情况下进行放大时，放射基函数插值能够更好地处理图像的轮廓和色调，提供更加平滑与一致的结果，同时保留原始数据的细节，同时降低“像素块”的影响。
径向基函数插值的主要优势在于可以有效地从离散的点数据中提取出有效的信息，而且避免了像素块的影响能够使放大出来的图像更加平滑和自然。
径向基函数插值还可以用于几何改变和图像滤镜，例如旋转、缩放和压缩图像。它还可以用于三维物体体绘制、矢量化图像处理，以及医学成像分析等。
总而言之，径向基函数插值是一种功能强大的插值技术，它具有计算快速，放大质量高，可用于多个应用的特点，日益成为数字图像处理的重要组成部分。
⾼斯核函数
⾼斯核函数
所谓 (Radial Basis Function 简称 RBF), 就是某种沿径向对称的。通常定义为中任⼀点x到某⼀xc之间的 , 可记作 k(||x-xc||), 其作⽤往往是局部的 , 即当x远离xc时函数取值很⼩。
⾼斯核函数 - 常⽤公式
最常⽤的径向基函数是⾼斯核函数 ,形式为 k(||x-xc||)=exp{- ||x-xc||^2/(2*σ)^2) } 其中xc为核函数中⼼,σ为函数的宽度参数 ,控制了函数的径向作⽤范围。
在计算机视觉中的作⽤
在计算机视觉中，有时也简称为。⾼斯函数具有五个重要的性质，这些性质使得它在早期图像处理中特别有⽤．这些性质表明，⾼斯平滑滤波器⽆论在空间域还是在都是⼗分有效的低通，且在实际图像处理中得到了⼯程⼈员的有效使⽤．⾼斯函数具有五个⼗分重要的性质，它们是：（1）⾼斯函数具有旋转对称性，即滤波器在各个⽅向上的平滑程度是相同的．⼀般来说，⼀幅图像的边缘⽅向是事先不知道的，因此，在滤波前是⽆法确定⼀个⽅向上⽐另⼀⽅向上需要更多的平滑．旋转对称性意味着⾼斯平滑滤波器在后续中不会偏向任⼀⽅向．（2）⾼斯函数是．这表明，⾼斯滤波器⽤像素邻域的加权均值来代替该点的像素值，⽽每⼀邻域像素点是随该点与中⼼点的距离单调增减的．这⼀性质是很重要的，因为边缘是⼀种图像局部特征，如果平滑运算对离算⼦中⼼很远的像素点仍然有很⼤作⽤，则平滑运算会使图像失真．（3）⾼斯函数的频谱是单瓣的．正如下⾯所⽰，这⼀性质是⾼斯函数付⽴叶变换等于⾼斯函数本⾝这⼀事实的直接推论．图像常被不希望的⾼频信号所污染(噪声和细纹理)．⽽所希望的图像特征（如边缘），既含有低频分量，⼜含有⾼频分量．⾼斯函数傅⾥叶变换的单瓣意味着平滑图像不会被不需要的⾼频信号所污染，同时保留了⼤部分所需信号．（4）⾼斯滤波器宽度(决定着平滑程度)是由参数σ表征的，⽽且σ和平滑程度的关系是⾮常简单的．σ越⼤，⾼斯滤波器的就越宽，平滑程度就越好．通过调节平滑程度参数σ，可在图像特征过分模糊(过平滑)与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(⽋平滑)之间取得折衷．（5）由于的可分离性，⼤器可以得以有效地实现．⾼斯函数可以分两步来进⾏，⾸先将图像与⼀维⾼斯函数进⾏卷积，然后将卷积结果与⽅向垂直的相同⼀维⾼斯函数卷积．因此，⼆维⾼斯滤波的计算量随滤波模板宽度成增长⽽不是成平⽅增长
