Python 里实现双三次插值主要有三条路径：图像处理库（Pillow / OpenCV）、SciPy 数值插值，以及自己手写。下面按常用程度给你梳理。

1. Pillow（最简洁，适合图片缩放）

Image.resize() 的 resample 参数即可指定，可选 Resampling.NEAREST、BOX、BILINEAR、HAMMING、BICUBIC、LANCZOS；若图像模式为 “1” 或 “P”，会强制使用 NEAREST，否则默认即为 BICUBIC。
python

点击查看代码 
from PIL import Image, Resampling

im = Image.open("input.jpg")
out = im.resize((im.width * 2, im.height * 2), resample=Resampling.BICUBIC)
out.save("output.jpg")

注意版本兼容问题：旧写法 resample=Image.BICUBIC 会触发 DeprecationWarning，官方提示在 Pillow 10 中移除，应改用 Resampling.BICUBIC。

2. OpenCV（适合数值型图像/批量处理）

通过 cv2.resize() 的 interpolation=cv2.INTER_CUBIC 显式指定。
python

点击查看代码 
import cv2

img = cv2.imread("low_res.jpg", cv2.IMREAD_GRAYSCALE)
h, w = img.shape[:2]
hr = cv2.resize(img, (w * 4, h * 4), interpolation=cv2.INTER_CUBIC)

INTER_CUBIC 是 4×4 像素邻域的双三次插值，能有效避免锯齿；但若要缩小图像，INTER_AREA 效果通常更好，放大时才推荐 INTER_CUBIC（速度较慢但效果好）。

3. SciPy（适合科学计算 / 非图像数据）

规则网格：用 scipy.ndimage.zoom，order=3 即三次（双三次）插值：
python

点击查看代码 
from scipy.ndimage import zoom
zoomed = zoom(gray_array, 5, order=3)   # 放大5倍

多维规则网格插值：interpn 支持 “linear”、“nearest”、“slinear”、“cubic”、“quintic”、“pchip” 等方法，其中 points 各维度必须严格升序或降序。
散乱数据：可用 griddata，method='cubic' 做二维/三维插值。

4. 手写实现（理解原理用）

核心思想是：在目标像素点周围取 4×4（16 个）邻域像素，用分段三次核函数加权拟合估算目标值。一维核通常取 Mitchell-Netravali、Catmull-Rom 等，二维则通过张量积 W(x,y)=W(x)⋅W(y) 实现，遍历 [x−1,x+2]×[y−1,y+2] 邻域累加权重后归一化。单像素需约 16 次浮点乘加，计算量较大但结构规整、易于并行。
选型建议：单纯做图片放大/缩略用 Pillow 最省事；涉及数值矩阵、需要精确控制或与其他 OpenCV 流程衔接就用 cv2.INTER_CUBIC；数据本身是离散采样点而非图像，则走 SciPy 的 interpn / griddata。