前幾天我們認識了 Pixel、RGB 與 Channel，也知道對電腦來說，一張圖片其實就是由大量數值組成的資料
但在真正把圖片交給模型之前，通常還需要先經過一些處理，例如調整圖片大小、裁切特定區域等
而圖片一旦經過處理，電腦能取得的影像資訊也可能跟著改變，我們可以先從一個生活中的例子來想像:

左邊是一張正常的貓咪圖片，我們可以清楚看到牠的眼睛、毛髮、耳朵等細節；但右邊的貓咪隔著方格玻璃後，畫面被切成一格一格，許多原本清楚的細節也跟著消失了，雖然我們還是可以認出「這是一隻貓」，但可以發現：圖片保留下來的細節越少，我們能取得的影像資訊也會跟著減少

當然，方格玻璃造成的效果和電腦的圖片縮放並不完全相同，不過它可以幫助我們想像：當影像細節減少時，有些原本清楚的特徵也可能變得不明顯

對一般照片來說，少掉一些細節可能沒有太大影響；但如果今天處理的是皮膚病灶影像，一些細微的顏色、紋理或邊界，都可能是值得保留的資訊，所以今天我們就從最基本的三個影像操作開始：
讀取（Read）、縮放（Resize）與裁切（Crop）

一、讀取圖片

我們先使用 Python 的 PIL 讀取 HAM10000 中的一張圖片：

from PIL import Image
import matplotlib.pyplot as plt

img = Image.open(image_path)

plt.imshow(img)
plt.axis("off")
plt.show()

print("圖片尺寸：", img.size)

其中 Image.open(image_path) 就是根據圖片的路徑，把圖片讀進 Python
而 img.size 可以查看圖片大小

以我們前面使用的 HAM10000 圖片為例，(600, 450) 代表Width = 600 Pixel、Height = 450 Pixel，所以讀取圖片其實就是讓 Python 能夠取得圖片中的 Pixel 資訊，之後我們才能繼續進行處理

二、為什麼圖片需要縮放？

假設我們現在有兩張圖片：

圖片 A 是 600 × 450
圖片 B 是 800 × 600

如果之後要一次將很多圖片交給模型訓練，圖片尺寸不一致就會很麻煩，因此通常會先把所有圖片調整成相同大小，這個動作就是 Resize（縮放），使用 PIL 可以直接：

resized_img = img.resize((224, 224))
print("原始尺寸：", img.size)
print("縮放後尺寸：", resized_img.size)
plt.imshow(resized_img)
plt.axis("off")
plt.show()

結果會從 600 × 450 變成 224 × 224

但縮小圖片不會損失資訊嗎？
答案是：會，試想:

原本有：600 × 450 = 270,000 Pixel
縮小成：224 × 224 = 50,176 Pixel

代表電腦需要用更少的 Pixel 表示原本的圖片，因此一定會損失部分細節，不過圖片越大，需要處理的資料也越多，模型訓練需要的記憶體與運算量也會增加，所以之後在訓練模型時，圖片尺寸其實也是一個需要考量的參數

三、裁切圖片 Crop

Resize 是把整張圖片改變大小，Crop 則不一樣，Crop 是從原本的圖片中，只取出其中一個區域，就可以使用：

cropped_img = img.crop((150, 75, 450, 375))

plt.imshow(cropped_img)
plt.axis("off")
plt.show()

這四個數字 (150, 75, 450, 375) 代表 (left, top, right, bottom)，電腦會根據定義把這個範圍內的圖片取出來

四、為什麼這些操作很重要？

讀取、縮放和裁切看起來只是很基本的圖片操作，但它們其實會直接影響電腦最後能從圖片中取得多少資訊

例如，將圖片縮小可以統一圖片尺寸，也能減少需要處理的 Pixel 數量，讓後續模型訓練更有效率；但如果圖片縮得太小，一些細微的紋理、顏色或邊界也可能跟著消失

裁切也是一樣，適當的裁切可以減少不需要的背景，讓我們更專注在重要的區域；但如果裁切範圍不適當，也可能把重要的影像資訊一起移除

下一篇我們更進一步進入 Image Preprocessing（影像前處理），看看為什麼圖片在交給模型之前，還需要進行數值上的處理