如何基于Numpy/SciPy实现NumPy数组格式图像的精准缩放？

当然有！你完全不用局限于隔行删除这种粗暴的方式，Numpy生态里有好几个工具能帮你实现平滑的图像缩放，效果和图像编辑器里的差不多。下面给你几个实用的方案：

SciPy的scipy.ndimage.zoom()专门用来处理多维数组的缩放，支持多种插值方法，完全能满足你的平滑缩小需求。它会根据周围像素的权重计算新像素值，而不是直接丢弃像素。

举个针对你的例子的代码：

import numpy as np
from scipy import ndimage

# 假设你的原图像数组是bottle_1（形状(528, 203, 3)）
bottle_1 = np.random.randint(0, 255, size=(528, 203, 3), dtype=np.uint8)
target_shape = (140, 54, 3)

# 计算每个维度的缩放因子
zoom_factors = (
    target_shape[0] / bottle_1.shape[0],
    target_shape[1] / bottle_1.shape[1],
    1.0  # 颜色通道不需要缩放
)

# 使用双三次插值（比双线性更平滑，适合缩小）
bottle_2_smooth = ndimage.zoom(bottle_1, zoom_factors, order=3)
# 如果需要确保数据类型是uint8（图像常用格式）
bottle_2_smooth = bottle_2_smooth.astype(np.uint8)

这里的order参数控制插值方式：

• order=1：双线性插值（速度快，效果不错）
• order=3：双三次插值（效果更平滑，计算稍慢）

Pillow是Python最常用的图像处理库，它能直接把Numpy数组转换成图像对象，然后用专业的插值算法缩放，再转回Numpy数组。

示例代码：

import numpy as np
from PIL import Image

bottle_1 = np.random.randint(0, 255, size=(528, 203, 3), dtype=np.uint8)
target_shape = (140, 54, 3)

# Numpy数组转PIL图像
img = Image.fromarray(bottle_1)
# 注意Pillow的resize参数是(width, height)，和Numpy的(rows, cols)顺序相反
resized_img = img.resize((target_shape[1], target_shape[0]), Image.LANCZOS)
# 转回Numpy数组
bottle_2_smooth = np.array(resized_img)

Image.LANCZOS是一种高质量的插值算法，特别适合缩小图像，能最大程度保留细节并避免锯齿。

OpenCV的cv2.resize()同样支持Numpy数组，而且性能很好，插值选项也很丰富。

示例代码：

import numpy as np
import cv2

bottle_1 = np.random.randint(0, 255, size=(528, 203, 3), dtype=np.uint8)
target_shape = (140, 54, 3)

# OpenCV的resize参数也是(width, height)，注意顺序
bottle_2_smooth = cv2.resize(
    bottle_1,
    (target_shape[1], target_shape[0]),
    interpolation=cv2.INTER_LANCZOS4
)

cv2.INTER_LANCZOS4和Pillow的LANCZOS类似，是高质量缩小的首选，另外cv2.INTER_CUBIC也是不错的选择。

为什么这些方法比隔行删除好？ #

隔行删除本质是下采样但不做抗锯齿，很容易出现锯齿、丢失细节的问题。而上面这些插值方法会在缩放前先对图像进行平滑滤波（避免混叠），然后通过加权计算新像素值，最终得到的图像和你在Photoshop、GIMP里缩小的效果一致，能很好保留原图的特征。

内容的提问来源于stack exchange，提问作者Brian Hamill