如何用Python将64×64灰度图压缩为指定40×40尺寸（无需存文件）

解决方案：内存中实现指定维度的高质量图像压缩 #

先明确你的核心需求：无需写入文件，直接在内存中将64×64灰度图转换为40×40的高质量数组。根据你提到的痛点，我分两种核心场景给出针对性方案：

场景1：直接得到40×40尺寸的高质量缩小图像

如果你只是需要把图像尺寸从64×64缩小到40×40（降采样），那么专业的图像插值方法比直接用DCT截断靠谱得多，全程在内存中操作，无需存文件：

用OpenCV实现（推荐）

import cv2
import numpy as np

# 假设你的64x64灰度图是numpy数组（dtype为uint8或float32）
img_64 = np.random.randint(0, 256, (64, 64), dtype=np.uint8)

# 用双三次插值缩小到40x40，这是视觉质量最优的降采样方法之一
img_40 = cv2.resize(img_64, (40, 40), interpolation=cv2.INTER_CUBIC)

# img_40就是你要的40x40数组，直接存在内存中

用PIL/Pillow实现

from PIL import Image
import numpy as np

img_64 = np.random.randint(0, 256, (64, 64), dtype=np.uint8)
# 转成PIL图像对象
pil_img = Image.fromarray(img_64)
# 用LANCZOS插值（比双三次更适合照片类图像）缩小
pil_img_40 = pil_img.resize((40, 40), Image.Resampling.LANCZOS)
# 转回numpy数组
img_40 = np.array(pil_img_40)

这两种方法的插值算法都经过工业级优化，缩小后的图像细节保留远好于直接截断DCT系数的方式。

场景2：得到40×40的压缩表示（可恢复原尺寸高质量图像）

如果你的需求是生成一个40×40的压缩数组，后续可以通过逆变换还原出接近原64×64图像的质量，那可以改进DCT的使用方式：

from scipy.fftpack import dct, idct
import numpy as np

img_64 = np.random.randint(0, 256, (64, 64), dtype=np.float32) / 255.0

# 执行正交化2D DCT（保证变换的能量集中性）
dct_coeffs = dct(dct(img_64, axis=0, norm='ortho'), axis=1, norm='ortho')

# 保留前40x40的低频系数（这就是你的40x40压缩数组）
compressed_coeffs = dct_coeffs[:40, :40]

# 恢复原图像时，补零回到64x64系数矩阵
restored_coeffs = np.zeros_like(dct_coeffs)
restored_coeffs[:40, :40] = compressed_coeffs

# 逆DCT还原图像
restored_img = idct(idct(restored_coeffs, axis=1, norm='ortho'), axis=0, norm='ortho')
restored_img = np.clip(restored_img * 255, 0, 255).astype(np.uint8)

这里用了norm='ortho'参数保证DCT的正交性，低频系数的能量集中性更好，还原后的图像质量会比你之前的尝试提升很多，全程在内存中完成。

额外需求：进一步压缩数组内存占用

如果得到40×40数组后，还想在内存中压缩它的字节大小（类似numpy.savez_compressed但不存文件），可以用zlib直接压缩数组的字节流：

import zlib
import numpy as np

# 假设已经得到40x40的数组img_40
img_bytes = img_40.tobytes()
# 内存中无损压缩（level=9为最高压缩比）
compressed_bytes = zlib.compress(img_bytes, level=9)

# 需要恢复时
decompressed_bytes = zlib.decompress(compressed_bytes)
restored_img_40 = np.frombuffer(decompressed_bytes, dtype=img_40.dtype).reshape(40, 40)

这种方式是无损压缩，恢复后的数组和原40×40数组完全一致，且无需写入任何文件。

内容的提问来源于stack exchange，提问作者Ramy Maher