深度学习图像预处理-python缩放裁剪

使用深度学习进行图像类任务时，通常网络的输入大小是固定的，最近在进行涉及到文字检测的工作中，由于预处理resize缩小了原图，导致字体变模糊，从而检测失败，后来想到使用overlap来对图像进行缩放裁剪，即先将原图缩放到一定尺寸，再裁剪得到网络的输入。

好了，来说正题，使用yolov3，网络的输入是352x352x3，而输入图像大小为几百上千不等，因此需对原图进行resize，起初直接进行缩放 + 填充，检测的map很低，后来分析发现有些352x352的输入图像中的文字已经很模糊，因此直接缩放的方案不可行，改进后方案如下：

1. 原图最大尺寸大于1000，则resize到800x800，再裁剪为9个352x352，overlap为128个像素
2. 原图最大尺寸大小500且小于1000，则resize到600x600，再裁剪为4个352x352，overlap为96个像素
3. 原图最大尺寸小于500，则resize到352x352。

python实现代码如下，使用了PIL、opencv库，将整个目录下的图像全部做缩放裁剪处理，代码包含如下功能：

1. 遍历某一目录的文件
2. opencv进行图像载入及保存
3. opencv进行缩放裁剪
4. PIL进行图像显示

import numpy as np
from PIL import Image
import cv2
import os

#输入bgr通道，并显示图像
def img_show(img):
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)      #生成numpy数组
    print(type(img_rgb), img_rgb.shape)
    pil_img = Image.fromarray(img_rgb)
    pil_img.show()

#完成图像的等比缩放及黑色填充
def img_resize(cvImageSrc, net_size, width, height):
    if (width != net_size or height != net_size):
        #宽高的缩放比非常接近时直接进行缩放
        if ((net_size / height - net_size / height) < 0.001):
            det_mat = cv2.resize(cvImageSrc, (net_size, net_size))
            return det_mat
        else:
            ne