图片、numpy放大的插值方法
当新numpy/图像比原numpy/图像更大时，插值方法：
0？原数组值？线性插值？
1.numpy
形式一：
a.resize(new_shape)
#输入
import numpy as np
# Making a random array
gfg = np.array([1, 2, 3, 4, 5, 6])
# Required values 12, existing values 6
gfg.resize(3, 4)
print(gfg)
#输出：
[[1 2 3 4]
[5 6 0 0]
[0 0 0 0]]
形式二：
a = np.array([1,2,3,4,5,6])
numpy.resize(a, new_shape)
>>> import numpy as np
>>> ggg = np.array([1,2,3,4,5,6])
>>> fff = np.resize(ggg,(3,4))
>>> print(fff)
[[1 2 3 4]
[5 6 1 2]
[3 4 5 6]]
也就是，如果新数组大于原始数组，则新数组将填充a的重复副本，与a.resize(new_shape)不同，后者用零而不是重复的a填充
形式三：
a = np.array([1,2,3,4,5,6])
numpy.reshape(a,new_shape)
new_shape不能大于a.shape
2 图片
Python-OpenCV中的resize()函数
cv2.resize(src, dsize[, dst[, fx[, fy[, interpolation]]]])
其中interpolation可以接入多种插值方法，如
cv.INTER_NEAREST 最近邻插值
cv.INTER_LINEAR 双线性插值
cv.INTER_CUBIC 双线性插值
cv.INTER_AREA 使用像素区域关系重新采样。它可能是图像抽取的首选方法，因为它可以提供无莫尔条纹的结果。但是当图像被缩放时，它类似于INTER_NEAREST方法。
(通常的，缩小使用cv.INTER_AREA，放缩使用cv.INTER_CUBIC(较慢)和cv.INTER_LINEAR(较快效果也不错)。默认情况下，所有的放缩都使用cv.INTER_LINEAR。)
3. scipy.ndimage.zoom
某些场景如医学图像tiff格式，转为图像的话会有相应的耗损，介绍一种在numpy.array上的放缩操作。
scipy.ndimage.zoom(input, zoom, output=None, order=3, mode=‘constant’, cval=0.0, prefilter=True)
input,
#array—输入多维矩阵
zoom,
#float/sequence—沿轴的缩放系数，如果是浮点型，表示每个轴的缩放是相同的，如果是序列，zoom应包含每个轴的缩放值；
output=None,
#adrray or dtyoe—放置输出的数组，或返回数组的dtype，默认情况下，将创建与输入相同的dtype数据
order=3,
#int—样条插值的阶数，默认为3，顺序必须在0-5范围内；
mode=‘constant’,
#{‘reflect’, ‘constant’, ‘nearest’, ‘mirror’, ‘wrap’}—mode参数确定输入数组如何扩展到其边界之外。 默认为“constant”；
cval=0.0,
#scalar—如果模式为“constant”，则填充输入的过去边缘的值， 默认值为0.0。
perfilter=True)
#bool—确定在插值之前是否使用spline_filter对输入数组进行预过滤。 默认值为True，如果order> 1，将创建一个过滤值的临时float64数组。如果将此值设置为False，如果order> 1，输出将略微模糊，除非输入是预 过滤的，即它是调用的结果 原始输入上的spline_filter。
举例：
# input 尺寸 (512, 96, 96, 3)
# 将其转为 (512, 224, 224, 3)
# 对不同的轴进行缩放如下
import scipy
input_new = scipy.ndimage.zoom(input, (1, 224/96, 224/96, 1), output=None, order=3, mode='nearest')
input_new = zoom(cat_cubic_arr, (1, 190/250, 190/250, 1))
更详细的插值结果展示可参考：
https://blog.csdn.net/u013066730/article/details/101073505