1. 尺寸调整（Resizing）
目的：神经网络通常需要固定尺寸的输入图像。通过统一图像尺寸，可以确保输入的一致性，使得网络能够正常处理。
方法：将所有输入图像调整为特定的尺寸（例如224x224像素），可以采用双线性插值、双三次插值等插值算法。这一步骤是基础的，因为网络的输入层需要固定的维度。
2. 归一化（Normalization）
目的：将像素值标准化，通常缩放到[0, 1]或[-1, 1]范围内。归一化有助于加快模型的收敛速度，并减少训练过程中数值计算的不稳定性。
方法：通常通过减去图像数据集的平均值并除以标准差来实现。这一步骤可以使得不同通道（如RGB三通道）的数据分布更接近，从而提高训练效果。
3. 数据增强（Data Augmentation）
目的：通过在训练过程中对图像进行各种随机变换来增加数据的多样性，从而提高模型的泛化能力，减少过拟合现象。
方法：包括随机裁剪、随机翻转、旋转、颜色抖动（如调整亮度、对比度、饱和度、色相）等。这些变换能让模型在不同的图像变体上进行训练，增强模型的鲁棒性。
4. 裁剪和填充（Cropping and Padding）
目的：调整图像到合适的尺寸，或在图像边缘添加填充，以避免图像变形或失真。
方法：可以使用中心裁剪、随机裁剪或在图像边缘添加零填充（或其他值的填充），确保图像的内容和尺寸满足网络输入要求。
5. 颜色空间转换（Color Space Conversion）
目的：根据不同的任务需求或预处理要求，将图像从一种颜色空间转换到另一种。例如，有些任务可能需要灰度图像而不是彩色图像。
方法：常见的转换包括从RGB到灰度，或从BGR到RGB（特别是使用OpenCV库时，因为OpenCV默认读取的图像是BGR格式）。
6. 噪声处理（Noise Handling）
目的：减少图像中的噪声，提高图像质量，从而提升模型的训练效果。
方法：使用滤波技术，如高斯滤波、中值滤波或双边滤波，来平滑图像，去除噪声，同时保留重要的图像特征。
7. 直方图均衡化（Histogram Equalization）
目的：增强图像对比度，使得图像的亮度分布更加均匀，从而提高视觉效果和模型的识别能力。
方法：通过全局或局部直方图均衡化调整图像的亮度分布，使得图像的细节更加明显。
8. 通道顺序调整（Channel Ordering）
目的：确保图像的颜色通道顺序与模型预期的一致。
方法：特别是当使用OpenCV读取图像时，需要将图像从BGR格式转换为RGB格式，以适应大多数预训练模型的输入要求。
