numpy知识库：深入理解numpy.resize函数和数组的resize方法
前言
numpy中的resize函数顾名思义，可以用于调整数组的大小。但具体如何调整？数组形状变了，意味着数组中的元素个数发生了变化(增加或减少)，如何确定resize后的新数组中每个元素的数值呢？本次博文就来探讨并试图回答这个问题，感兴趣的小伙伴可以继续阅读下去，希望对您有所启示~
numpy中的resize函数背后的机理
纯粹的文字说明不太直观，小编更倾向用代码工具进行直观展示。代码如下
import numpy as np
import cv2
img1 = np.zeros((256, 256), dtype=np.uint8) # 创建一个大小为256*256的全黑图像
for i in range(256):
if i % 2 == 0: # 如果第i行是偶数行，则该行所有值设为255, 即全白，否则全黑；i从0开始
img1[i, :] = 255
cv2.imshow('img1', img1)
cv2.waitKey(0) # 显示图像 延迟5秒退出窗口
结果如下：
可以看出，利用代码生成的图片是黑白相间分布的灰度图像，图像大小为256×256。
如果此时用numpy中的resize函数将上图调整成大小为256×512的新图像，那么新图像会长成什么样呢？还是黑白相间分布吗？
代码如下：
import numpy as np
import cv2
img1 = np.zeros((256, 256), dtype=np.uint8) # 创建一个大小为256*256的全黑图像
for i in range(256):
if i % 2 == 0: # 如果第i行是偶数行，则该行所有值设为255, 即全白，否则全黑；i从0开始
img1 = np.resize(img1, (256, 512)) # 调整图像大小
cv2.imshow('img1', img1)
cv2.waitKey(0) # 显示图像 延迟5秒退出窗口
运行结果如下：
结果竟然是左白右黑(有没有出乎你的意料呢？有的话可以点个赞支持一下~)
背后的机理解读
利用numpy的resize函数从黑白相间分布的大小为256×256的原图调整为256×512的新图像后，竟然呈现出左白右黑的现象。咋一看，似乎摸不着头脑，其实背后的机理很简单。
机理：当新图像的大小确定后，就把原图的像素从左到右，从上到下【依次填入】新图像。由于原图第一行全白，第二行全黑，而第一行像素和第二行像素之和恰好等于新图像第一行像素之和。以此类推，便会出现左白右黑的结果。
numpy的resize函数 vs numpy数组的resize方法
提到numpy的resize函数，就自然而然地会想到numpy数组的resize方法。同样是调整数组/图像的大小，两者的使用有何区别呢？还是那句话：show you the code！
区别一：numpy数组的resize方法是in-place操作
# numpy数组的resize方法
img1.resize((256, 512)) # numpy数组的resize方法是in-place操作，即直接在原数组/图像上修改，而numpy的resize函数需要返回一个新数组
区别二：numpy数组的resize方法在新数组大小>原数组时，直接填充0，并不继续填充原数组数值
# numpy数组的resize方法
img1.resize((256, 512)) # numpy数组的resize方法是in-place操作，即直接在原数组/图像上修改，而numpy的resize函数需要返回一个新数组
cv2.imshow('img1', img1)
cv2.waitKey(0) # 显示图像 延迟5秒退出窗口
结果如下：
容易发现，numpy数组的resize方法在填充完一遍原数据的数值后(上图的上半部分)，剩余的数值直接填充0(上图的下半部分，即全黑)
如果本博文对你有所帮助，可以点个赞/收藏支持一下，如果能够持续关注，小编感激不尽~
小编会坚持创作，持续优化博文质量，以小见大，给读者带来更好地阅读体验~