当给定大量不同质量的训练数据时，CNN往往能够很好地工作。

–图像能够通过可视化的方式，传达复杂场景所蕴含的某种目标主题。

–在Stanford Dogs数据集中，重要的是图像能够以可视化的方式，突出图片中狗的重要性。

–一幅狗位于画面中心的图像，会被认为比狗作为背景的图像更有价值。

并非所有数据集都拥有最有价值的图像。下面所示的两幅图像，按照假设，该数据集本应突出不同的狗的品种：

左图突出的是一条典型的墨西哥无毛犬的重要属性，而右图是两个参加聚会的人，在逗一条墨西哥无毛犬。右图中充斥了大量的无关信息，这可能会导致所训练的CNN模型，对参加聚会的人的面部信息，更为关注。类似这样的图像中可能会包含狗，可对其进行操作，使狗而非人，成为真正被突出的对象。下面总结那些对训练CNN有用的图像处理方法。

裁剪会将图像中的某些区域移除，将其中的信息完全丢弃。裁剪与tf.slice类似，后者是将一个张量中的一部分，从完整的张量中移除。当沿某个维度存在多余的输入时，为CNN对输入图像进行裁剪便是十分有用的。

例如，为减少输入的尺寸，可对狗位于图像中心的图片进行裁剪。

sess.run(tf.image.central_crop(image, 0.1))

执行上面的代码后，可得到输出：

array([[[ 3, 108, 233]]], dtype=uint8)

这段示例代码利用了tf.image.central_crop，将图像中10%的区域抠出，并将其返回。

–该方法总是会基于所使用的图像的中心返回结果。

–裁剪通常在预处理阶段使用，但在训练阶段，若背景也有用时，它也可派上用场。

–当背景有用时，可随机化裁剪区域起始位置，到图像中心的偏移量来实现裁剪。

这个裁剪方法仅可接收实值输入

real_image= sess.run(image)

bounding_crop= tf.image.crop_to_bounding_box(

real_image, offset_height=0, offset_width=0, target_height=2, target_width=1)

sess.run(bounding_crop)

执行上述代码，可得到输出：

array([[[ 0, 0, 0]],[[ 0, 191, 0]]], dtype=uint8)

为从位于(0，0)的图像的左上角像素开始，对图像裁剪，示例代码使用了tf.image.crop_to_bounding_box

目前，该函数只能接收一个具有确定形状的张量。因此，输入图像需要事先在数据流图中运行。