如何高效生成原数组整数倍扩展数组？OpenCV图像放大优化

以下是几种远超嵌套循环速度的实现方式，完全满足你“像素整数倍复制、无插值模糊”的需求：

方法1：用numpy原生repeat函数（简洁高效） #

numpy的repeat函数是底层优化过的，直接在指定轴上重复元素，对灰度单通道或彩色三通道图像都适用：

import numpy as np
import cv2

def pixel_scale(img, scale):
    # 先给每个像素在宽度方向重复scale次
    scaled = np.repeat(img, scale, axis=1)
    # 再给每一行在高度方向重复scale次
    scaled = np.repeat(scaled, scale, axis=0)
    return scaled

# 测试你的示例
test_arr = np.array([[1,2],[3,4]], dtype=np.uint8)
print(pixel_scale(test_arr, 2))
# 输出完全符合预期：
# [[1 1 2 2]
#  [1 1 2 2]
#  [3 3 4 4]
#  [3 3 4 4]]

# 处理实际OpenCV图像
img = cv2.imread("your_image.jpg")
scaled_img = pixel_scale(img, 4)
cv2.imshow("Scaled", scaled_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

这个方法比嵌套循环快几十倍，代码简洁，适合大多数场景。

方法2：广播扩展（内存友好，大图像首选） #

如果处理超大图像，担心中间数组占用内存，可以用维度扩展+广播的方式，避免额外内存开销：

def pixel_scale_broadcast(img, scale):
    # 给图像添加两个新维度，用于广播重复
    expanded = img[:, np.newaxis, :, np.newaxis, :]
    # 广播到目标尺寸
    scaled = np.broadcast_to(expanded, (img.shape[0], scale, img.shape[1], scale, img.shape[2]))
    # 调整维度并合并成最终图像形状
    return scaled.transpose(0,1,2,3,4).reshape(img.shape[0]*scale, img.shape[1]*scale, img.shape[2])

这个方法不会生成中间重复数组，内存占用更低，适合高分辨率图像放大。

方法3：OpenCV的resize+INTER_NEAREST（速度天花板） #

你之前可能误解了OpenCV的resize——INTER_NEAREST（最近邻插值）其实就是严格的像素复制，没有任何模糊插值，而且是OpenCV原生C++优化，速度是这几个方法里最快的：

def pixel_scale_opencv(img, scale):
    h, w = img.shape[:2]
    return cv2.resize(img, (w*scale, h*scale), interpolation=cv2.INTER_NEAREST)

测试你的示例，输出和预期完全一致，处理大图像时比numpy方法更快，代码量也少，强烈推荐使用。

内容的提问来源于stack exchange，提问作者SBixby