imresize和ndimage.interpolation.zoom看起来像他们在做您想要的

我以前没有尝试过imresize，但是这是我使用ndimage.interpolation.zoom的方式

a = np.array(64).reshape(8,8)
a = ndimage.interpolation.zoom(a,.5) #decimate resolution

那么a是一个4x4矩阵，其中有插值

因为OP只是想要一个航向分辨率，所以我想我将分享自己的方法，以将每个维度的像素数减少一半。我取2x2块的平均值。可以将其多次应用以减少2倍。

from scipy.ndimage import convolve
array_downsampled = convolve(array, 
                 np.array([[0.25,0.25],[0.25,0.25]]))[:array.shape[0]:2,:array.shape[1]:2]

scikit-image在这里实现了downsampling的工作版本，尽管如果我理解正确的话，他们不会称其为downsampling因为它们不是DSP的降采样。

http://scikit-image.org/docs/dev/api/skimage.measure.html#skimage.measure.block_reduce

但它工作得很好，它是我在Python中找到的唯一可以处理图像中np.nan downsampler 。我很快就对巨大的图像进行了下采样。

下采样时，插值是错误的事情。始终使用汇总方法。

我使用块方式来做到这一点，使用“因数”来降低分辨率。

import numpy as np
from scipy import ndimage

def block_mean(ar, fact):
    assert isinstance(fact, int), type(fact)
    sx, sy = ar.shape
    X, Y = np.ogrid[0:sx, 0:sy]
    regions = sy/fact * (X/fact) + Y/fact
    res = ndimage.mean(ar, labels=regions, index=np.arange(regions.max() + 1))
    res.shape = (sx/fact, sy/fact)
    return res

例如，使用5的因子（5x5块）的（100，200）形状数组将产生（20，40）数组结果：

ar = np.random.rand(20000).reshape((100, 200))
block_mean(ar, 5).shape  # (20, 40)