我想使用神经网络进行图像分类。我将从训练有素的CaffeNet开始，然后为我的应用程序对其进行训练。

我应该如何准备输入图像？

在这种情况下，所有图像都属于同一物体，但具有变化（请考虑：质量控制）。它们的比例/分辨率/距离/照明条件略有不同（很多情况下我不知道比例）。同样，在每个图像中，目标对象周围都有一个区域（已知），网络应该忽略该区域。

我可以（例如）裁剪每个图像的中心，以确保其中包含感兴趣对象的一部分而没有忽略区域。但这似乎会浪费掉信息，而且结果的范围也不尽相同（可能是1.5倍的变化）。

数据集扩充

我听说过通过随机裁剪/镜像/等方式创建更多训练数据，是否有标准方法？它对分类器的准确性有何改善？

神经网络的思想是它们不需要太多预处理，因为繁重的工作是由负责学习特征的算法完成的。

2015年数据科学杯的获胜者对他们的方法撰写了很好的文章，因此该答案的大部分内容来自于： 用深度神经网络对浮游生物进行分类。我建议您阅读它，特别是有关预处理和数据扩充的部分。

-调整图像大小

对于不同的尺寸，分辨率或距离，您可以执行以下操作。您可以简单地将每个图像的最大一面重新缩放为固定长度。

另一种选择是使用openCV或scipy。并将图像调整为100列（宽度）和50行（高度）：

resized_image = cv2.resize(image, (100, 50)) 

另一个选择是使用scipy模块，方法是：

small = scipy.misc.imresize(image, 0.5)

-数据扩充

尽管数据量取决于数据集，但数据增强始终可以提高性能。如果您想扩充数据以人为地增加数据集的大小，则在情况允许的情况下可以执行以下操作（如果将房屋或人的图像旋转180度，则它们将丢失所有信息，因此不适用于该情况）但如果像镜子一样翻转它们，则不会这样）：

• 旋转：角度在0°到360°之间的角度随机（均匀）
• 翻译：随机，在-10和10像素之间移动（均匀）
• 重新缩放：比例因子在1 / 1.6和1.6之间的随机数（对数均匀）
• 翻转：是或否（bernoulli）
• 剪切：随机，角度在-20°和20°之间（均匀）
• 拉伸：拉伸因子在1 / 1.3到1.3之间的随机数（对数均匀）

您可以在“数据科学”碗图像上查看结果。

预处理图像

相同图像的增强版本

-其他技术

这些将处理其他图像属性（例如照明），并且已经与主要算法相关，更像是简单的预处理步骤。查看以下内容的完整列表：UFLDL教程

尽管wacax的答案是完整的且确实具有解释性，但我想补充几件事，以防有人偶然发现此答案。

首先，大多数scipy.misc图像相关的功能（imread，imsave，imresizeERC）已经成为弃用，取而代之的任一的ImageIO或skimage。

其次，我强烈建议将python库imgaug用于任何扩充任务。它真的很容易使用，并且拥有您可能想要使用的几乎所有增强技术。