假设我们只有图像 as.npy 文件。是否可以在不将其转换为图像的情况下调整图像大小（因为我正在寻找一种在运行代码时快速的方法）。 有关更多信息，我问了没有转换为图像的方式，我有图像，但我不想在代码中使用它们，因为我的数据集太大并且使用图像运行很慢，另一方面，我不确定哪个size 对我的 imeges 来说更好，所以我正在寻找一种方法，首先将图像转换为 npy 并保存 .npy 文件，然后预处理 npy 文件，例如调整图像的尺寸。
【问题讨论】：
scipy.misc.imresize”，但事实证明它已被PIL 弃用。试一试 - 也许它对你来说已经足够快了。
numpy 本身并没有实现大部分功能。
标签： python numpy image-processing data-science numpy-ndarray
试试PIL，也许它对你来说已经足够快了。
import numpy as np
from PIL import Image
arr = np.load('img.npy')
img = Image.fromarray(arr)
img.resize(size=(100, 100))
请注意，如果要保留纵横比，则必须计算纵横比。或者你可以使用Image.thumbnail()，它可以带一个抗锯齿过滤器。
还有scikit-image，但我怀疑它在后台使用PIL。它适用于 NumPy 数组：
import skimage.transform as st
st.resize(arr, (100, 100))
我猜另一个选项是OpenCV。
【讨论】：
Image.fromarray(arr) 将数组转换回图像并且也是灰度的，我有图像但我不想在代码中使用它们，因为我的数据集太大并且使用图像运行很慢，另一方面，我不确定哪种尺寸更适合我的 imeges，所以我正在寻找一种方法，首先将图像转换为 npy 并保存 .npy 文件然后预处理 npy 文件，例如调整图像的尺寸。我不知道这可能与否。我在我的问题中添加了这条评论，以便更多地解释其他人。
如果你只处理numpy 数组，我认为slicing 就足够了
比如说，加载的numpy数组的形状是(m, n)（一个通道），目标形状是(a, b)。那么步幅可以是(s1, s2) = (m // a, n // b)
所以原来的数组可以被切片
new_array = old_array[::s1, ::s2]
编辑
如果您使用掩码进行高级切片，则放大数组也非常简单。例如，原始数组的形状为(m, n)，目标形状为(a, b)。那么，举个例子
a, b = 300, 200
m, n = 3, 4
original = np.linspace(1, 12, 12).reshape(3, 4)
canvas = np.zeros((a, b))
(s1, s2) = (a // m, b // n) # the scalar
# the two masks
mask_x = np.concatenate([np.ones(s1) * ind for ind in range(m)])
mask_y = np.concatenate([np.ones(s2) * ind for ind in range(n)])
# make sure the residuals are taken into account
if len(mask_x) < a: mask_x = np.concatenate([mask_x, np.ones(len(mask_x) % a) * (m - 1)])
if len(mask_y) < b: mask_y = np.concatenate([mask_y, np.ones(len(mask_y) % b) * (n - 1)])
mask_x = mask_x.astype(np.int8).tolist()
mask_y = mask_y.astype(np.int8).tolist()
canvas = original[mask_x, :]
canvas = canvas[:, mask_y]
【讨论】：