上一篇我們實際使用 Python 對圖片進行讀取、縮放與裁切，但圖片調整好大小之後，就可以直接丟進模型了嗎？

我們前面提過，一張彩色圖片中的每個 Pixel，都是由 RGB 三個數值組成，例如：[214, 153, 152]，這些數值對我們來說只是顏色，但對模型來說，它們就是接下來要進行計算的資料

因此在正式把圖片交給模型之前，通常還會先經過 Image Preprocessing（影像前處理），讓圖片資料更適合模型進行學習

一、什麼是 Image Preprocessing？

Image Preprocessing 中文通常稱為「影像前處理」，簡單來說就是在圖片正式進入模型之前，先將圖片整理成適合模型處理的形式

就像我們在煮飯前，會先把食材清洗、切成適合的大小一樣，圖片在交給模型之前，也需要先整理成模型比較適合處理的形式

例如，每張圖片原本的尺寸可能不同，Pixel 的數值範圍也可能需要調整，因此我們會透過縮放、數值轉換、正規化等方式進行處理

影像前處理的目的並不是讓圖片「看起來更漂亮」，而是讓不同圖片的資料形式更加一致，並轉換成適合模型計算與學習的形式

而上一篇介紹的 Resize（縮放），其實就是 Image Preprocessing 中很常見的一個步驟

二、圖片先轉成 Array

我們先把圖片轉換成 NumPy 可以操作的數值陣列（Array） ，使用 PIL 讀進來的圖片：

from PIL import Image
img = Image.open(image_path)

透過 NumPy：

import numpy as np img_array = np.array(img) 
print(img_array.shape)
print(img_array[0, 0]) 

得到

(450, 600, 3)
[214 153 152] 

三、為什麼要做 Normalization？

目前圖片中的 RGB 數值通常介於 0 ～ 255，在訓練神經網路時，常見的做法之一是將這些數值縮放到 0 ～ 1
這個過程就是 Normalization（正規化） 的一種常見形式，做法非常簡單：

normalized_img = img_array / 255.0

可以實際看看：

這時候就可以看到，同一個 Pixel 的數值從原本的 0～255，被縮放到了 0～1

四、為什麼要把 0～255 變成 0～1？

看到這裡可能會有一個疑問：

模型明明也可以計算 214、153、152，為什麼還要特別除以 255？

原因和神經網路的訓練方式有關，模型在訓練過程中會不斷進行大量的數學運算，並根據計算結果調整自己的參數

如果輸入數值的尺度較大，可能使訓練過程中的數值計算較不穩定；將輸入縮放到較小且一致的範圍，通常能讓模型的訓練更穩定，也更容易進行最佳化

要注意的是，Normalization 並不是把圖片變得更清楚，也不是增加圖片資訊，它做的事情其實就是調整圖片的數值尺度，讓這些數值更適合後續的模型運算

另外，÷ 255 也不是所有模型唯一的做法，之後學到 Transfer Learning 時會看到，有些預訓練模型會要求使用自己的 Preprocessing 方法

五、Normalization 之後，圖片會變嗎？

我們可以把處理前後的圖片顯示出來：

import matplotlib.pyplot as plt
plt.figure(figsize=(10, 4))
plt.subplot(1, 2, 1)
plt.imshow(img_array)
plt.title("Before Normalization")
plt.axis("off")
plt.subplot(1, 2, 2)
plt.imshow(normalized_img)
plt.title("After Normalization")
plt.axis("off")
plt.show()

我們可以發現兩張圖片看起來幾乎一樣，這是因為 Normalization 並沒有改變 RGB 彼此之間的比例關係

RGB三個數值都使用相同的比例縮小，所以它們所代表的顏色關係仍然存在，也就是說人眼看到的圖片沒有明顯改變，但電腦拿來計算的數值範圍已經不同了

六、小結

今天認識了 Image Preprocessing（影像前處理）

圖片在送進模型之前，通常需要先整理成一致且適合計算的形式，我們也實際把圖片轉換成 NumPy Array，並透過 Normalization 將 Pixel 數值從 0～255 縮放到 0～1

前幾天我們一直都只拿一張圖片來練習，但真正訓練 AI 時，當然不可能只靠一張圖片

下一篇我們就要正式打開 HAM10000，看看這個資料集到底有哪些皮膚病灶類別，以及每一類到底有多少張圖片