0

Image Resizing with the LANCZOS Interpolation

Unsolved
Computer Vision

Difficulty: 4 | Problem written by mesakarghm
Problem reported in interviews at

Apple
Facebook
Google
Netflix

Write a function img_resize(img) to read an image from a NumPy array, resize the image to twice the width and twice the height using Pillow, and return the rescaled image as another NumPy array. Use the LANCZOS interpolation method while resizing the image. 

Sample Input:
<class 'list'>
img: [[ 1 7 9 13 12] [11 21 61 81 91] [ 5 66 6 5 5]]

Expected Output:
<class 'numpy.ndarray'>
[[ 0 1 5 6 2 0 0 1 0 0] [ 3 3 4 10 19 25 29 31 32 32] [10 7 7 20 44 62 71 75 80 82] [ 8 15 27 41 50 57 66 73 78 79] [ 0 19 49 57 31 15 19 26 26 26] [ 0 21 61 64 18 0 0 0 0 0]]

Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat. Duis aute irure dolor in reprehenderit in voluptate velit esse cillum dolore eu fugiat nulla pariatur. Excepteur sint occaecat cupidatat non proident, sunt in culpa qui officia deserunt mollit anim id est laborum.

Voluptatum aliquid iure, voluptatibus enim hic sapiente architecto, placeat laboriosam ullam? Tenetur praesentium quos optio earum, nulla neque magni molestias praesentium ab, molestias amet eius aspernatur veritatis delectus exercitationem impedit? Placeat aliquid numquam atque saepe consequuntur dolor, atque ducimus dicta debitis earum cupiditate vel officiis laborum optio? Cupiditate ad maiores ducimus rem corporis inventore nisi repudiandae labore, ipsam mollitia ducimus ipsum praesentium dolorum esse, rerum natus ullam maxime dignissimos assumenda possimus sequi, non neque quasi doloremque nostrum dolore nulla.

Explicabo amet temporibus omnis pariatur modi magni error, possimus accusantium repellendus doloribus officiis blanditiis obcaecati nisi? Id tempore aperiam provident porro recusandae aspernatur dolorem dicta architecto, voluptate velit nulla officiis obcaecati vitae ut consectetur commodi sunt fugit assumenda, nulla corporis quasi velit modi alias in voluptatem ipsa, impedit vitae adipisci esse corporis minus atque exercitationem debitis nemo quae, rem sunt expedita sapiente suscipit amet accusantium nisi?

Debitis cumque qui nobis. Ipsum atque hic nam voluptatum expedita voluptas vitae architecto, necessitatibus voluptatem beatae ab, saepe iure ipsum sunt reiciendis accusamus? Sequi consequuntur esse porro minima ad recusandae suscipit aperiam, doloribus doloremque illo blanditiis et voluptatibus eius, error alias molestias amet ratione rem deleniti eligendi minus doloribus, ipsa consequatur iusto.

This is a premium feature.
To access this and other such features, click on upgrade below.

Ready.

Input Test Case

Please enter only one test case at a time
numpy has been already imported as np (import numpy as np)