我正在寻找如何以新的大小对表示图像数据的 numpy 数组进行重新采样，最好可以选择插值方法（最近的、双线性的等）。我知道有
scipy.misc.imresize
它通过包装 PIL 的 resize 函数来做到这一点。唯一的问题是，由于它使用 PIL，numpy 数组必须符合图像格式，最多给我 4 个“颜色”通道。
我希望能够使用任意数量的“颜色”通道调整任意图像的大小。我想知道在 scipy/numpy 中是否有一种简单的方法可以做到这一点，或者我是否需要自己动手。
对于如何自己制作一个，我有两个想法：
scipy.misc.imresize单独在每个通道上运行的功能scipy.ndimage.interpolation.affine_transform对于大数据，第一个可能会很慢，第二个似乎不提供除样条曲线之外的任何其他插值方法。
根据您的描述，您想要scipy.ndimage.zoom.
双线性插值是order=1，最近的是order=0，三次是默认值 ( order=3)。
zoom专门用于您想要重新采样到新分辨率的定期网格化数据。
举个简单的例子：
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. 指出的那样，缩放多波段图像有一些注意事项。我从我之前的一个答案中几乎逐字复制了下面的部分：
缩放也适用于 3D（和 nD）阵列。但是，请注意，例如，如果您缩放 2 倍，您将沿所有轴缩放。
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)
在多波段图像的情况下，您通常不希望沿“z”轴进行插值，从而创建新波段。
如果您有想要缩放的 3 波段 RGB 图像，您可以通过将元组序列指定为缩放因子来实现：
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]]]
如果您想重新采样，那么您应该查看 Scipy 的 rebinning食谱。特别是congrid最后定义的函数会支持rebinning或者interpolation（相当于IDL中的同名函数）。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，它将为任何类型的重采样（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）来说很慢。
对于结构化网格的插值，我倾向于使用scipy.interpolate.RectBivariateSpline. 您可以选择样条的顺序（线性、二次、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，您正在执行双线性插值(kx = ky = 1)。不支持“最近”类型的插值，因为这只是在矩形网格上进行样条插值。这也不是最快的方法。
如果您在进行双线性或双三次插值，则执行两个 1D 插值通常要快得多：
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'，但在这种情况下摆脱横向数组。
你看过Scikit-image吗？它的transform.pyramid_*功能可能对您有用。
我最近刚刚发现 scipy.ndimage.interpolation.zoom 的一个问题，我已将其作为错误报告提交：https ://github.com/scipy/scipy/issues/3203
作为替代方案（或至少对我而言），我发现 scikit-image 的 skimage.transform.resize 工作正常：http ://scikit-image.org/docs/dev/api/skimage.transform.html#skimage .transform.resize
但是，它与 scipy 的 interpolation.zoom 的工作方式不同 - 您可以指定所需的输出形状，而不是指定乘数。这适用于 2D 和 3D 图像。
对于 2D 图像，您可以使用 transform.rescale 并指定乘数或比例，就像使用 interpolation.zoom 一样。
您可以使用interpolate.interp2d.
例如，考虑由 numpy 数组表示的图像arr，您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。
此解决方案在不影响 RGB 通道的情况下缩放输入图像的 X 和 Y：
import numpy as np
import scipy.ndimage
matplotlib.pyplot.imshow(scipy.ndimage.zoom(image_np_array, zoom = (7,7,1), order = 1))
希望这是有用的。