神经网络的想法是它们几乎不需要预处理，因为繁重的工作是由负责学习特征的算法完成的。

2015 年数据科学碗的获胜者对他们的方法有很好的描述，所以这个答案的大部分内容来自： 用深度神经网络分类浮游生物。我建议你阅读它，特别是关于预处理和数据增强的部分。

- 调整图像大小

至于不同的尺寸、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边重新缩放为固定长度。

另一种选择是使用 openCV 或 scipy。这将调整图像的大小，使其具有 100 列（宽度）和 50 行（高度）：

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

另一种选择是使用 scipy 模块，方法是：

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

- 数据增强

尽管数量取决于数据集，但数据增强始终可以提高性能。如果您想增强数据以人为地增加数据集的大小，您可以在适用的情况下执行以下操作（例如，如果是房屋或人的图像，如果将它们旋转 180 度，它们将丢失所有信息，则不适用但如果你像镜子一样翻转它们，则不会）：

• 旋转：随机，角度在 0° 到 360° 之间（均匀）
• 翻译：随机，在 -10 和 10 像素之间移动（均匀）
• 重新缩放：随机，比例因子在 1/1.6 和 1.6 之间（对数均匀）
• 翻转：是或否（伯努利）
• 剪切：随机，角度在 -20° 和 20° 之间（均匀）
• 拉伸：随机，拉伸因子在 1/1.3 和 1.3 之间（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，如照明，并且已经与主算法相关，更像是一个简单的预处理步骤。查看完整列表：UFLDL 教程

虽然 wacax 的答案是完整的并且非常具有解释性，但我想补充几件事，以防有人偶然发现这个答案。

首先，大多数scipy.misc与图像相关的函数（imread、imsave、imresizeerc ）已被弃用，取而代之的是imageio或skimage。

其次，我强烈推荐 python 库imgaug用于任何增强任务。它非常易于使用，并且几乎具有您可能想要使用的所有增强技术。