我正在寻找如何以新的大小重新采样表示图像数据的numpy数组，最好选择插值方法（最近，双线性等）。我知道有
scipy.misc.imresize
通过包装PIL的调整大小功能可以做到这一点。唯一的问题是，由于它使用PIL，因此numpy数组必须符合图像格式，最多只能提供4个“颜色”通道。
我希望能够使用任意数量的“彩色”通道来调整任意图像的大小。我想知道是否有简单的方法可以在scipy / numpy中执行此操作，或者是否需要自己滚动。
对于如何炮制自己，我有两个想法：
scipy.misc.imresize分别在每个通道上运行的功能scipy.ndimage.interpolation.affine_transform对于大数据，第一个可能很慢，而第二个似乎没有提供除样条线之外的任何其他插值方法。
interp2d，但不仅它有很多错误，而且甚至不确定它是否可以正确地对数据进行下采样。
Answers:
根据您的描述，您想要scipy.ndimage.zoom。
双线性插值将为order=1，最接近为order=0，三次为默认值（order=3）。
zoom 专门用于要重新采样为新分辨率的常规栅格数据。
作为一个简单的例子：
import numpy as np
import scipy.ndimage
x = np.arange(9).reshape(3,3)
print 'Original array:'
print x
print 'Resampled by a factor of 2 with nearest interpolation:'
print scipy.ndimage.zoom(x, 2, order=0)
print 'Resampled by a factor of 2 with bilinear interpolation:'
print scipy.ndimage.zoom(x, 2, order=1)
print 'Resampled by a factor of 2 with cubic interpolation:'
print scipy.ndimage.zoom(x, 2, order=3)
结果：
Original array:
[[0 1 2]
[3 4 5]
[6 7 8]]
Resampled by a factor of 2 with nearest interpolation:
[[0 0 1 1 2 2]
[0 0 1 1 2 2]
[3 3 4 4 5 5]
[3 3 4 4 5 5]
[6 6 7 7 8 8]
[6 6 7 7 8 8]]
Resampled by a factor of 2 with bilinear interpolation:
[[0 0 1 1 2 2]
[1 2 2 2 3 3]
[2 3 3 4 4 4]
[4 4 4 5 5 6]
[5 5 6 6 6 7]
[6 6 7 7 8 8]]
Resampled by a factor of 2 with cubic interpolation:
[[0 0 1 1 2 2]
[1 1 1 2 2 3]
[2 2 3 3 4 4]
[4 4 5 5 6 6]
[5 6 6 7 7 7]
[6 6 7 7 8 8]]
编辑：正如Matt S.所指出的，放大多波段图像有两个注意事项。我正在从以前的答案之一中几乎逐字复制以下部分：
缩放也适用于3D（和nD）阵列。但是请注意，例如，如果放大2倍，则会沿所有轴缩放。
data = np.arange(27).reshape(3,3,3)
print 'Original:\n', data
print 'Zoomed by 2x gives an array of shape:', ndimage.zoom(data, 2).shape
这样产生：
Original:
[[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]]
[[ 9 10 11]
[12 13 14]
[15 16 17]]
[[18 19 20]
[21 22 23]
[24 25 26]]]
Zoomed by 2x gives an array of shape: (6, 6, 6)
对于多波段图像，通常不希望沿“ z”轴进行插值，从而创建新波段。
如果您要缩放3波段RGB图像，可以通过指定一个元组序列作为缩放因子来实现：
print 'Zoomed by 2x along the last two axes:'
print ndimage.zoom(data, (1, 2, 2))
这样产生：
Zoomed by 2x along the last two axes:
[[[ 0 0 1 1 2 2]
[ 1 1 1 2 2 3]
[ 2 2 3 3 4 4]
[ 4 4 5 5 6 6]
[ 5 6 6 7 7 7]
[ 6 6 7 7 8 8]]
[[ 9 9 10 10 11 11]
[10 10 10 11 11 12]
[11 11 12 12 13 13]
[13 13 14 14 15 15]
[14 15 15 16 16 16]
[15 15 16 16 17 17]]
[[18 18 19 19 20 20]
[19 19 19 20 20 21]
[20 20 21 21 22 22]
[22 22 23 23 24 24]
[23 24 24 25 25 25]
[24 24 25 25 26 26]]]
scipy.ndimage.zoom(data, (3,3,1))，将3d阵列沿x和y方向缩放3倍，而保留第三个维度。
scipy.ndimage.zoom实际上处理矩阵的边缘不同于scipy.misc.imresize？当具有值缩放10侧面是只有5个值宽（与imresize它是10）。
如果你想重新取样，那么你应该看看SciPy的的食谱进行重排。特别是，最后congrid定义的函数将支持重新绑定或插值（等效于IDL中具有相同名称的函数）。如果您不想插值，这应该是最快的选择。
您也可以直接使用scipy.ndimage.map_coordinates，它将对任何类型的重采样（包括非结构化网格）进行样条插值。我发现map_coordinates对于大型数组（nx，ny> 200）比较慢。
对于结构化网格上的插值，我倾向于使用scipy.interpolate.RectBivariateSpline。您可以选择样条曲线的顺序（线性，二次方，三次等），甚至可以为每个轴独立选择。一个例子：
import scipy.interpolate as interp
f = interp.RectBivariateSpline(x, y, im, kx=1, ky=1)
new_im = f(new_x, new_y)
在这种情况下，您要进行双线性插值(kx = ky = 1)。不支持“最近”类型的插值，因为所有这些操作都是在矩形网格上进行样条插值。这也不是最快的方法。
如果要进行双线性或双三次插值，则通常进行两个一维插值会快得多：
f = interp.interp1d(y, im, kind='linear')
temp = f(new_y)
f = interp.interp1d(x, temp.T, kind='linear')
new_im = f(new_x).T
您也可以使用kind='nearest'，但是在这种情况下，可以消除横向阵列。
我最近刚刚发现了scipy.ndimage.interpolation.zoom问题，该问题已作为错误报告提交：https : //github.com/scipy/scipy/issues/3203
作为一种选择（或者至少对我来说），我发现scikit-image的skimage.transform.resize可以正常工作：http ://scikit-image.org/docs/dev/api/skimage.transform.html#skimage .transform.resize
但是，它与scipy的interpolation.zoom的工作方式有所不同-您无需指定多个，而是指定所需的输出形状。这适用于2D和3D图像。
对于仅2D图像，您可以使用transform.rescale并指定一个乘数或比例，就像使用interpolation.zoom一样。
zoom以前使用过奇怪的输出。我会紧resize记skimage ，谢谢！
resize保留数组（图像）中值的大小？我只是第一次尝试过，而对于16位灰度图像，则没有。原始数组的中位数约为32000，调整大小后的图像的中位数介于0和1之间
您可以使用interpolate.interp2d。
例如，考虑由numpy数组表示的图像arr，可以将其调整为任意高度和宽度，如下所示：
W, H = arr.shape[:2]
new_W, new_H = (600,300)
xrange = lambda x: np.linspace(0, 1, x)
f = interp2d(xrange(W), xrange(H), arr, kind="linear")
new_arr = f(xrange(new_W), xrange(new_H))
当然，如果您的图像有多个通道，则必须对每个通道执行插值。
scipy.interpolate.griddata吗？链接