在深度學習的過程中，往往對輸入影象的大小需要進行一個調整，特別是對於擁有全連線層的神經網路，因為全連線層的節點數是固定的。因此，為了滿足全連線層的一個輸入的要求，我們可以利用tensorflow自帶的函式來進行影象大小的調整。

總體來說一共有三個函式。原始影象大小為1242*375.

一、tf.image.resize_images（image，shape，method）

一共有三個引數，第一個是原始影象，第二個是重取樣目標影像大小，第三個是重取樣的方法。雙線性插值演算法（Bilinear interpolation）;Method取值為：0；最近鄰居法（Nearest  neighbor interpolation);Method取值為：1；雙三次插值法（Bicubic interpolation);Method取值為：2；

這個函式是通過插值的方式實現影象的大小變換，包括最近鄰插值，雙線性插值，雙三次插值等。

二、tf.image.resize_image_with_crop_or_pad（image，IMG_W,IMG_H）

一共有三個引數，分別是原始影象，目標影象的寬，目標影象的高。

這個函式不是通過插值改變影象大小，而是直接通過裁剪和填充。這麼做的好處就是不會讓影象看上去又明顯的畸變，但是會使得原始影象不完整。

三、tf.image.central_crop（image，rate）

這個函式一共有兩個引數，一個是原始影象，另一個是原始影象調整的比例。注意，這種演算法rate只能在0-1之間，否則會出現錯誤。

raise ValueError('central_fraction must be within (0, 1]')

ValueError: central_fraction must be within (0, 1]

這個函式是對原始影象整體的比例進行調整。實際上，有點類似於第二個函式，在縮小的時候實際上是採用了類似於裁剪的方法，圖片中的部分物體是被裁剪掉的。

所有實驗的原始碼如下： 

# -*- coding: utf-8 -*-
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt#這個可以用來
"""
Created on Thu Jul 19 15:42:38 2018

@author: Lenovo
"""
IMG_W1 = 208  # resize影象，太大的話訓練時間久
IMG_H1 = 208
IMG_W2=2000
IMG_H2=2000
BATCH_SIZE = 2

picdir1 = 'E:/Study/研究生文件/密集匹配程式/train/image_2/000000_10.png'

image_raw=tf.gfile.GFile(picdir1,'rb').read()
image_raw = tf.image.decode_png(image_raw)

with tf.Session() as sess:
      plt.imshow(image_raw.eval())
      plt.show()
     #第一種方法，採用resize函式，採用雙線性插值
      img_resized1 = tf.image.resize_images(image_raw, [100,800],method=0) 
      img_resized1 = np.asarray(img_resized1.eval(),dtype='uint8')
      plt.imshow(img_resized1)
      plt.show()
      
      img_resized1 = tf.image.resize_images(image_raw, [900,2700],method=0) 
      img_resized1 = np.asarray(img_resized1.eval(),dtype='uint8')
      plt.imshow(img_resized1)
      plt.show()
     
      croped = tf.image.resize_image_with_crop_or_pad(image_raw,300,300)    #目標影象大小<原始影象的大小，則擷取原始影象的居中部分，
      padded = tf.image.resize_image_with_crop_or_pad(image_raw,1500,1500)    #目標影象大小>原始影象的大小，則會在原始影象的四周填充全為0背景
      plt.imshow(croped.eval())
      plt.show()
      plt.imshow(padded.eval())
      plt.show()
      
      central_cropped = tf.image.central_crop(image_raw,0.25)                #按照比例裁剪影象，第二個引數為調整比例，比例取值[0,1]
      plt.imshow(central_cropped.eval())
      plt.show()
 

 總結，這次主要試驗了三種不同的影象大小調整的方式。有些方式會產生形變，但內容中的物體不會丟失。有些方法雖然不會產生形變，但是內容中的物體會丟失。所以應該根據自己的需要使用。