我们做深度学习训练时，需要大量的图片（数据），这些图片往往尺寸不一，也不是我们input的尺寸需求。如果我们能在训练前就将这些图片resize成需要的尺寸，那么训练过程将会非常省时省资源的。

resize图片大小的方法有两种：

一、#直接基于原图片中心点为中心，以原图片较短边切割成边长为原长方形较短边为边长的正方形

代码如下：

'''
[1]  #直接基于原图片中心点为中心，以原图片较短边切割成边长为原长方形较短边为边长的正方形
#如test.jpg和crop_img.jpg,部分长宽比例较大的图形经过切割可能会丢失重要的信息，故一般不用！

import matplotlib.image as mpimg

def load_image(path):
    # 读取图片，rgb
    img = mpimg.imread(path)
    # 将图片修剪成中心的正方形
    short_edge = min(img.shape[:2])
    yy = int((img.shape[0] - short_edge) / 2)
    xx = int((img.shape[1] - short_edge) / 2)
    crop_img = img[yy: yy + short_edge, xx: xx + short_edge]
    mpimg.imsave('crop_img',crop_img)
    return crop_img

load_image('./test.jpg')
'''

输入图片

输出图片

显而易见：如果按照方法一做简单的切割，很容易丢失大量有用的信息，导致训练正确率低，甚至出现错误，故我们一般不用这种方法

二、#推荐的resize并存储的方法如下（双线性插值，或者双三次插值）

代码如下

[2]#推荐的resize并存储的方法如下

'''
1、我们将搜集到的图片存放在与软件脚本同一根目录下的'./data/image/pre_train/'文件夹下；
2、我们使用Image模块从pre_train文件夹读取图片，resize，并存储入'./data/image/train/'文件夹；
'''

from PIL import Image
import os

src_path = './data/image/pre_train/'
dst_path = './data/image/train/'

filelist=os.listdir(src_path)

for img in filelist:
    image=Image.open(src_path+img)
    image_resize=image.resize((224,224),resample=2)
    #image.resize(size,resample=0)  #sesam用于表示改变图像过程中的插值方法，0：双线性插值；1：最邻近插值；2：双三次插值；3|面积插值法
    #参考：python: PIL的Image.resize()函数：
    image_resize.save(dst_path+img)

还是那只猫，我们看看这次处理后的效果

还是一眼就认出这是只猫，对不对？！

我们在对比下处理前后的数据集

参考资料：
1、Python：PIL的 Image.resize()函数：https://blog.csdn.net/weixin_40522801/article/details/106491212?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522161703255516780266279470%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=161703255516780266279470&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2_allfirst_rank_v2~rank_v29-1-106491212.first_rank_v2_pc_rank_v29&utm_term=python%3A+PIL%E7%9A%84Image.resize%28%29%E5%87%BD%E6%95%B0&spm=1018.2226.3001.4187
2、python 转换图片大小，并保存：https: // blog.csdn.net / SHAOYEZUIZUISHAUI / article / details / 103299503