图像缩放本质是二维/三维数组的尺寸变换与值重映射，可分三类：①切片实现整数倍缩放（如data[::2,::2]），零插值、零开销；②最近邻插值支持任意比例，纯NumPy实现但块状感强；③scipy.ndimage.zoom推荐实战，支持多阶插值与彩色图。

图像缩放本质上是二维数组（或三维，含通道）的尺寸变换与值重映射过程。直接操作像素数组，既能理解底层逻辑，也便于定制化控制——比如跳过插值、强制整数步长采样，或在嵌入式/轻量场景中规避复杂库依赖。

用切片实现快速整数倍缩放（抽样法）

这是最直观的数组操作方式，适用于缩小且缩放比为整数倒数（如 0.5、0.25）的场景。核心是利用 NumPy 的步长切片 [:, ::n] 和 [::n, :]，不引入新像素值，纯丢弃采样。

• 宽度减半：data[:, ::2] —— 保留所有行，每行只取第 0、2、4… 列像素
• 高度减半：data[::2, :] —— 每隔一行取整行，列保持全量
• 等比缩小至 1/4：data[::2, ::2] —— 行列同步跳采，输出尺寸为原图 1/4

注意：该方法无插值，边缘易锯齿，但零计算开销，适合预处理降分辨率或生成缩略图草稿。

用最近邻插值实现任意比例缩放

当目标尺寸不是整数倍时，需建立新旧坐标的映射关系。最近邻法只需四舍五入取整，完全基于数组索引，无需额外库。

• 设原图 shape 为 (h, w)，目标尺寸为 (h_new, w_new)
• 对目标图中每个位置 (i, j)，计算其在原图中的近似坐标：
  src_i = int(i * h / h_new)，src_j = int(j * w / w_new)
• 用 np.clip 防越界，再通过 data[src_i, src_j] 取值（灰度图）或 data[src_i, src_j, :]（彩色图）

该逻辑可完全用纯 NumPy 实现，适合教学或资源受限环境；缺点是放大后块状感强，但代码清晰、调试友好。

用 scipy.ndimage.zoom 进行插值缩放（推荐实战）

实际项目中更常用封装好的高效插值函数。scipy 的 zoom 支持多种插值方式，底层优化好，且兼容多维数组（含 RGB 通道）。

• 缩放因子为 2.0 表示放大两倍；0.5 表示缩小一半
• 默认使用三阶样条插值（类似双三次），加参数 order=0 可切最近邻，order=1 为双线性
• 彩色图处理示例：
  from scipy.ndimage import zoom
resized = zoom(img, (0.5, 0.5, 1.0), order=1) —— 高宽各缩半，通道不变

此方式平衡了精度、速度与易用性，是多数 Python 图像处理脚本的首选缩放路径。

手动采样像素变量的注意事项

直接对数组做缩放时，像素变量（即数组元素）的类型和范围必须保持一致，否则会出错或失真。

• 确保输入是 uint8（0–255），避免 float64 类型导致显示发白或报错
• 若用 PIL 加载，np.array(img) 默认为 uint8；OpenCV 加载后也是 uint8，但通道顺序为 BGR
• 缩放后若要保存或显示，务必确认数组 dtype 仍为 uint8，必要时用 .astype(np.uint8) 显式转换
• 对彩色图操作时，切片或插值必须统一作用于全部通道，不能漏掉第三维

绕过高级 API 直接操作像素数组，不是为了重复造轮子，而是为了在需要精确控制采样点、嵌入自定义滤波、或调试算法细节时，保有最底层的可干预性。