无需转换为图像，如何将(137,236)形状数组调整为(128,128)？

完全不需要把数组转成图像格式再折腾，直接用数值计算工具就能搞定(137,236)到(128,128)的尺寸调整，下面给你几个实用的方案：

方案1：用Scipy的插值工具（最适合普通数值数组） #

Scipy的ndimage.zoom是专门用来缩放多维数组的工具，支持多种插值方法，全程都是对数值矩阵操作，完全不碰图像格式：

import numpy as np
from scipy.ndimage import zoom

# 假设你的原数组是arr，形状(137,236)
arr = np.random.rand(137, 236)  # 替换成你的实际数组

# 计算两个维度的缩放比例：目标尺寸/原尺寸
scale_factors = (128 / 137, 128 / 236)

# 执行缩放，order参数控制插值方式
# order=0：最近邻插值（速度快，适合离散值场景）
# order=1：双线性插值（平滑过渡，适合连续数值）
# order=3：双三次插值（更精细，计算成本稍高）
resized_arr = zoom(arr, scale_factors, order=1)

print(resized_arr.shape)  # 输出 (128, 128)

方案2：用深度学习框架的插值（如果是张量场景） #

如果你在做深度学习，手里的数组是PyTorch/TensorFlow张量，直接用框架自带的插值方法更方便，全程都是张量操作，不用转图像：

PyTorch示例： #

import torch

# 把numpy数组转成张量，需要增加batch和通道维度（框架要求）
input_tensor = torch.tensor(arr).unsqueeze(0).unsqueeze(0)  # 形状变为(1, 1, 137, 236)

# 调整尺寸，支持bilinear/nearest等方法
resized_tensor = torch.nn.functional.interpolate(
    input_tensor,
    size=(128, 128),
    mode='bilinear',
    align_corners=False
)

# 转回numpy数组（如果需要的话）
resized_arr = resized_tensor.squeeze().numpy()

TensorFlow示例： #

import tensorflow as tf

# 转换为TensorFlow张量，增加batch和通道维度
input_tensor = tf.convert_to_tensor(arr)[tf.newaxis, tf.newaxis, ...]

# 调整尺寸
resized_tensor = tf.image.resize(
    input_tensor,
    size=(128, 128),
    method='bilinear'
)

# 转回numpy数组
resized_arr = tf.squeeze(resized_tensor).numpy()

重要提醒：别用NumPy的resize！ #

很多人会想到np.resize，但它只是简单地重复或截断元素来凑够目标形状，不会做插值，结果会严重失真，绝对不适合你的需求。

内容的提问来源于stack exchange，提问作者NoLand'sMan