图像缩放是指对数字图像大小进行调整的过程，又称为图像重采样，并被广泛的运用在图像分析、动画制作、电影合成等现实生活中，其本质是改变图像的分辨率，重建高分辨率图像。采用传统的插值算法进行图像放大之所以会造成图像模糊、锯齿等现象，很大程度上是因为边缘层数在放大的时候也进行了成倍的增加，极度扩展了边缘的宽度，使得边缘在放大后产生了物体边缘层次模糊现象，由于图像在边缘区域像素值跳跃比较明显，人类视觉系统对图像边缘信息特别敏感，边缘信息在很大程度上影响视觉对图像的判定。因此在对图像进行缩放时，能否保持边缘锐化效果成为一个至关重要的问题。　　为了解决在图像放大过程中出现的图像模糊、锯齿、局部细节丢失等现象，本文主要研究如下：　　一、针对传统Canny算子提取边缘轮廓不完整现象，进而对Canny算子阈值进行改进。每幅图像存在不同的特征、细节，若对所有图像采用统一阈值进行边缘提取，则提取出的图像边缘必然不准确，进而影响到后期图像处理。因而利用自适应阈值Canny算子提取出完整图像边缘，与传统边缘检测算子相比，自适应阈值Canny算子能够更加完整检测出图像边缘。　　二、针对传统插值算法对图像进行放大造成图像边缘模糊现象，提出自适应梯度扩散方法。利用图像边缘与非边缘区域存在较大像素值差，在边缘内部区域像素值相差较小这一原理，对图像边缘进行自适应扩散：设定阈值，计算第一个待扩散像素点与原边缘点之间梯度，下一个待扩散点与原边缘点梯度，两个梯度作差与阈值比较，若小于设定阈值，则继续扩散，直到大于阈值，从而达到扩散边界层。　　三、以图像边缘、边缘扩散层部分为约束，直接对图像进行曲线插值重采样，保证图像在放大的过程中不额外增加边缘轮廓层，保证图像边缘锐化以及放大后的图像在视觉上的边缘清晰。对于非轮廓层平坦区域，构建双三次Coons插值曲面并进行重采样，保持平坦区域的平滑性以及运算速度。在边界曲线插值及曲面插值过程中，给出了各插值条件估计的新方法。　　四、为证明方法的有效性，将新方法获得的重构结果作为输入，应用到图像处理的其他应用领域，能够得到很好的效果。应用于显著性检测，本文方法获得的插值图像作为输入获得的检测结果，区域更加完整，且在MAE数据、P-R曲线指标优于大。　　五、多数经典插值方法；应用于图像分割，本文方法获得的插值图像作为输入获得的分割结果，其边缘更清晰，完整，从而很好的证明了本方法在边缘特征保持上的优越性。