很多时候我们跑deep learning算法的难点不在于搭建网络，而是数据获取与处理，当你看到大量的数据却无从下手时该是怎样的心情！
这几篇我将为大家介绍目前很多paper代码复现中比较流行的辅助工具
首先我们简要介绍一下scikit-image这个扩展包：
scikit-image (a.k.a. skimage) 是一个图像处理和计算机视觉的算法集合。当然提到图像不得不提opencv，opencv库是CV届绝对的大佬，但是为什么还要用skimage呢？原因是opencv用于我们的tensorflow训练数据预处理实在是太大才小用了，而且opencv的安装也不是很方便。所以，需要一些更加精简轻便的框架来帮助我们做数据预处理，scikit-image就是这样一个扩展包，为什么说轻便？因为安装它只需要一句话：
sudo pip install scikit-image
import skimagecolor：Color space conversion.这个就是颜色空间变换（RGB-Gray等等类似的变换）
data：Test images and example data.这个子库里面有一些标准数据和用于测试的图（好像lena也在里面！）
draw：Drawing primitives (lines, text, etc.) that operate on NumPy arrays.这个库用来画一些几何图形，对于我们数据处理是没什么用的
exposure：Image intensity adjustment, e.g., histogram equalization, etc.调整亮度的一些算法，直方图均衡也在里面
feature：Feature detection and extraction, e.g., texture analysis corners, etc.手工特征检测和提取，类似HOG等，没什么用。。。
filters：Sharpening, edge finding, rank filters, thresholding, etc.锐化，边缘提取等滤波器
graph：Graph-theoretic operations, e.g., shortest paths.图理论的一些操作，寻找最短路径（这都行！！）然而对于我们没什么用。。。
io：Reading, saving, and displaying images and video.很重要的一个子库，读取保存显示图像和视频（它是可以处理视频的）
measure：Measurement of image properties, e.g., similarity and contours.这个是用来比较两张图的（相似性），里面有mse或者香农entropy
morphology：Morphological operations, e.g., opening or skeletonization.形态学操作，关于骨架的，都是经典图像处理里面的东西，deep learning用的也很少
novice：Simplified interface for teaching purposes.用来教学的库，提供了一系列简单的接口，好人性化。。
restoration：Restoration algorithms, e.g., deconvolution algorithms, denoising, etc.恢复算法：反卷积，去噪等
segmentation：Partitioning an image into multiple regions.图像分割算法
transform：Geometric and other transforms, e.g., rotation or the Radon transform.这是我们常用的库，几何和其他变换，如旋转
util：Generic utilities.常用工具，不要小看这个，可能会有很有用的函数！
viewer：A simple graphical user interface for visualizing results and exploringparameters.图像化界面，用来可视化结果
简单介绍完，我们可以开始动手了
先看一看data这个库下面，示例图片都是长什么样子吧
from skimage import data,io
img = data.coffee()
print type(img)
io.imshow(img)但是为什么不出结果？显然这样是不会成功显示的,因为我们没有使用任何插件，而且不安装Qt，也无法使用skimage自带的viewer。怎么显示？第一想法当然是使用图形化显示界面matplotlib了
from skimage import data,io
import matplotlib.pyplot as plt
img = data.coffee()
#print type(img),img.dtype
plt.imshow(img)
plt.show()
另外plt.imshow（）这个函数还有大量的参数，这个我们以后再讲
另外可以试一试保存图片等功能
from skimage import data,io
img = data.coffee()
io.imsave('1.jpg',img)from skimage import color,io
img = io.imread("1.jpg")
img = color.rgb2gray(img)
io.imsave("2.jpg",img)img = io.imread_collection("*.jpg")
plt.figure()
ax1=plt.subplot(121)
ax2=plt.subplot(122)
ax1.imshow(img[0])
ax2.imshow(img[1],cmap="gray")
plt.show()
还有一些比较重要的功能，例如utils中的crop
from skimage import util,io
import matplotlib.pyplot as plt
img = io.imread("1.jpg")
print img.shape
img = util.crop(img,((50, 50),(100, 100),(0,0)))
print img.shape
plt.imshow(img)
plt.show()
invert函数可以把单个像素值反转，例如我们读取上面保存的灰度图
img = io.imread("2.jpg")
invert_img = util.invert(img)
ax1 = plt.subplot(121)
ax1.imshow(img,cmap="gray")
ax2 = plt.subplot(122)
ax2.imshow(invert_img,cmap="gray")
plt.show()
然后就这样，黑变白，白变黑了，注意这里的invert是像素的invert，不要把图片的翻转混淆过来了
接着是我们训练图片集预处理当中一个很重要的函数pad，用来填充
numpy_pad是使用numpy的pad模式来填充的函数，具体怎么使用呢？
img = io.imread("2.jpg")
pad_img = util.numpy_pad(img,((10,10),(10,10)),'constant',constant_values=0)
ax1 = plt.subplot(121)
ax1.imshow(img,cmap="gray")
ax2 = plt.subplot(122)
ax2.imshow(pad_img,cmap="gray")
plt.show()于是结果如下：
比原来又多加了一条黑边
最后介绍同样重要的一个函数util.random_noise
它可以往图片中增加噪声，这对于我们泛化一个模型，或者做样本对抗是非常有帮助的
img = io.imread("2.jpg")
noise_img = util.random_noise(img,mode='gaussian')
ax1 = plt.subplot(121)
ax1.imshow(img,cmap="gray")
ax2 = plt.subplot(122)
ax2.imshow(noise_img,cmap="gray")
plt.show()
OK！简单介绍到这里，下一期我们就一个图片集预处理的程序来作为使用例程