方法介紹：

簡單嘗試了一下Tensorflow中的幾調(diào)整圖像大小的方法：
首先從知乎上搬磚下來相關(guān)中文介紹：

## Resizing
*   @{tf.image.resize_images}
*   @{tf.image.resize_area}
*   @{tf.image.resize_bicubic}
*   @{tf.image.resize_bilinear}
*   @{tf.image.resize_nearest_neighbor}

resize_images是總的接口，該接口的參數(shù)如下：

resize_images(images, size, method=ResizeMethod.BILINEAR, align_corners=False)

形參：

images：shape 為[batch, height, width, channels]的4-D圖像張量或者shape為 [height, width, channels]的3-D圖像張量，如果傳入圖像張量不兼容所制定規(guī)則會(huì)報(bào)錯(cuò)

size：一個(gè)dtype為int32擁有兩個(gè)元素的1-D張量，格式為[new_height, new_width]

method：resize使用的方法，有四種方式，分別為：

方法	介紹
ResizeMethod.BILINEAR	雙線性內(nèi)插，其核心思想是在兩個(gè)方向分別進(jìn)行一次線性插值。
ResizeMethod.NEAREST_NEIGHBOR	最近鄰插值法，將變換后的圖像中的原像素點(diǎn)最鄰近像素的灰度值賦給原像素點(diǎn)的方法，返回圖像張量dtype與所傳入的相同。
ResizeMethod.BICUBIC	雙三次插值，雙三次插值是一種更加復(fù)雜的插值方式，它能創(chuàng)造出比雙線性插值更平滑的圖像邊緣。
ResizeMethod.AREA	基于區(qū)域的圖像插值算法，首先將原始低分辨率圖像分割成不同區(qū)域，然后將插值點(diǎn)映射到低分辨率圖像，判斷其所屬區(qū)域，最后根據(jù)插值點(diǎn)的鄰域像素設(shè)計(jì)不同的插值公式，計(jì)算插值點(diǎn)的值。

align_corners：精確對(duì)準(zhǔn)輸入輸出圖像的四個(gè)角，默認(rèn)為false不精確對(duì)準(zhǔn)。

return：dtype為float的3-D或4-D圖像張量，其shape分別為[batch, new_height, new_width, channels]和[new_height, new_width, channels]

而其余四個(gè)接口則是具體的不同實(shí)現(xiàn)圖像縮放處理的方法，他們的參數(shù)都形如：

(images, size, align_corners=False, name=None)

第一個(gè)參數(shù)要求其shape一定是形如[batch, height, width, channels]的4-D格式，中間兩個(gè)參數(shù)如resize_image所解釋，后一個(gè)name是操作的名稱，可有可無。

實(shí)驗(yàn)部分

首先我們拿紅發(fā)香克斯的圖像作為測(cè)試：

shanks_small.jpg

測(cè)試代碼如下：

import tensorflow as tf
import cv2
import numpy as np

img_raw = cv2.imread('data/shanks_small.jpg')
img_in = img_raw / 255.
h, w, _ = img_in.shape

tf_img_in = tf.placeholder(dtype=tf.float32, shape=(None, None, 3))

scale = 3
tf_img_op1 = tf.image.resize_images(tf_img_in, [h * scale, w * scale], method=tf.image.ResizeMethod.NEAREST_NEIGHBOR)
tf_img_op2 = tf.image.resize_images(tf_img_in, [h * scale, w * scale], method=tf.image.ResizeMethod.BILINEAR)
tf_img_op3 = tf.image.resize_images(tf_img_in, [h * scale, w * scale], method=tf.image.ResizeMethod.BICUBIC)
tf_img_op4 = tf.image.resize_images(tf_img_in, [h * scale, w * scale], method=tf.image.ResizeMethod.AREA)

sess = tf.Session()
sess.run(tf.global_variables_initializer())

img_op1, img_op2, img_op3, img_op4 = sess.run([tf_img_op1, tf_img_op2, tf_img_op3, tf_img_op4],
                                              feed_dict={tf_img_in: img_in})

img_op1[img_op1 < 0] = 0
img_op1[img_op1 > 1] = 1
img_op2[img_op1 < 0] = 0
img_op2[img_op1 > 1] = 1
img_op3[img_op1 < 0] = 0
img_op3[img_op1 > 1] = 1
img_op4[img_op1 < 0] = 0
img_op4[img_op1 > 1] = 1

img_op1 = np.asarray(img_op1 * 255, np.uint8)
img_op2 = np.asarray(img_op2 * 255, np.uint8)
img_op3 = np.asarray(img_op3 * 255, np.uint8)
img_op4 = np.asarray(img_op4 * 255, np.uint8)

cv2.imshow('image in', img_raw)
cv2.imshow('nearest neighbor', img_op1)
cv2.imshow('bi-linear', img_op2)
cv2.imshow('bi-cubic', img_op3)
cv2.imshow('area', img_op4)

# cv2.imwrite('data/nearest_neighbor.jpg', img_op1)
# cv2.imwrite('data/bi-linear.jpg', img_op2)
# cv2.imwrite('data/bi-cubic.jpg', img_op3)
# cv2.imwrite('data/area.jpg', img_op4)

cv2.waitKey()

其中關(guān)于python下配置tensorflow以及opencv的網(wǎng)上方法比較多，可以自行g(shù)oogle之，或者我這有一個(gè)懶人版的配置tensorflow-gpu的參考。
最終效果如下：