欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

pytorch?transforms圖像增強(qiáng)實(shí)現(xiàn)方法

 更新時(shí)間：2023年04月06日 10:35:55   作者：SL1029_  
這篇文章主要介紹了pytorch?transforms圖像增強(qiáng)的相關(guān)知識(shí)，本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下

一、前言

在學(xué)習(xí)自己的項(xiàng)目發(fā)現(xiàn)自己有很多基礎(chǔ)知識(shí)不牢，對(duì)于圖像處理有點(diǎn)不太清楚，因此寫(xiě)下來(lái)作為自己的筆記，主要是我想自己動(dòng)手寫(xiě)一下每一句代碼到底做了什么，而不是單純的我看了知道了它做了什么，說(shuō)白了，不想停在看，而是要真正自己敲。

本文基于的是pytorch2.7.1

二、圖像處理

深度學(xué)習(xí)是由數(shù)據(jù)驅(qū)動(dòng)的，而數(shù)據(jù)的數(shù)量和分布對(duì)于模型的優(yōu)劣具有決定性作用，所以我們需要對(duì)數(shù)據(jù)進(jìn)行一定的預(yù)處理以及數(shù)據(jù)增強(qiáng)，用于提升模型的泛化能力。

一般來(lái)說(shuō)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練前都需要做數(shù)據(jù)增強(qiáng) (Data Augmentation) 又稱(chēng)為數(shù)據(jù)增廣、數(shù)據(jù)擴(kuò)增，它是對(duì) 訓(xùn)練集 進(jìn)行變換，使訓(xùn)練集更豐富，從而讓模型更具 泛化能力。

下面為常見(jiàn)的圖像變換

1.原始圖片

顯示圖片，并讀取圖片大小

from torchvision import transforms

from PIL import Image # 用于讀取圖片

import  matplotlib.pyplot as plt # 用于顯示圖片

image_path = './dog.jpg'

image = Image.open(image_path)

plt.imshow(image)

print(image.size)

plt.show()

圖片大小(1024, 683)

2.調(diào)整圖片大小transforms.Resize

2.1.transforms.Resize(x)

主要用于調(diào)整PILImage對(duì)象的尺寸大小，圖片短邊縮放至x，長(zhǎng)寬比保持不變

將圖片短邊縮放至x，長(zhǎng)寬比保持不變，上述圖片執(zhí)行transforms.Resize(300)

from torchvision import transforms

from PIL import Image # 用于讀取圖片

import  matplotlib.pyplot as plt # 用于顯示圖片

# 圖片顯示，打印圖片大小

image_path = './dog.jpg'

image = Image.open(image_path)

resize = transforms.Resize(300)

image1 = resize(image)

plt.imshow(image1)

print(image1.size)

plt.show()

圖片大小(449, 300)

得到如下

2.2.transforms.Resize([x, y])

同時(shí)指定圖片長(zhǎng)寬，這樣會(huì)改變長(zhǎng)寬比例但是不是裁剪，可以恢復(fù)

from torchvision import transforms

from PIL import Image # 用于讀取圖片

import  matplotlib.pyplot as plt # 用于顯示圖片

# 圖片顯示，打印圖片大小

image_path = './dog.jpg'

image = Image.open(image_path)

resize = transforms.Resize([512, 300])

image1 = resize(image)

plt.imshow(image1)

print(image1.size)

plt.show()

圖片大?。?12， 300）

2.3關(guān)于圖片的恢復(fù)

測(cè)試代碼

from torchvision import transforms

from PIL import Image # 用于讀取圖片

import  matplotlib.pyplot as plt # 用于顯示圖片

# 圖片顯示，打印圖片大小

image_path = './dog.jpg'

image = Image.open(image_path)

w, h = image.size

resize = transforms.Resize([512, 300])

image1 = resize(image)

resize2 = transforms.Resize([h, w])

image2 = resize2(image1)

plt.imshow(image2)

print(image2.size)

plt.show()

圖片大?。?024， 683）

注意這里要使用transforms.Resize([h, w])

3.圖片裁剪

3.1中心裁剪transforms.CenterCrop

作用：中心裁剪圖片

主要參數(shù):size，表示需要裁剪的圖片大小

代碼示例：

from torchvision import transforms

from PIL import Image

import matplotlib.pyplot as plt

transform = transforms.CenterCrop(512)

image_path= "./dog.jpg"

image = Image.open(image_path)

image1 = transform(image)

plt.imshow(image1)

print(image1.size)

plt.show()

image1.save('./dog_clipping.jpg')

圖片大小(512, 512)

3.2隨機(jī)裁剪transforms.RandomCrop(size,padding=None,pad_if_needed=False,fill=0,padding_mode='constant')

主要參數(shù)：

size：為需要裁剪的圖片大小

padding:設(shè)置填充大小

大小為a：表示上下左右都填充a個(gè)元素

大小為（a, b）：表示左右填充a個(gè)元素，上下填充b個(gè)元素

大小為（a, b, c, d）:表示左上右下填充a, b, c, d個(gè)元素

pad_if_needed:若圖像小于設(shè)定 size，則填充，此時(shí)該項(xiàng)需要設(shè)置為 True

padding_mode:填充模式，主要有四種

  • constant：像素值由 fill 設(shè)定。
  • edge：像素值由圖像邊緣像素決定。
  • reflect：鏡像填充，最后一個(gè)像素不鏡像，例如 [1, 2, 3, 4] → [3, 2, 1, 2, 3, 4, 3, 2]。
  • symmetric：鏡像填充，最后一個(gè)像素鏡像，例如 [1, 2, 3, 4] → [2, 1, 1, 2, 3, 4, 4, 3]。

fill:當(dāng)填充模式為padding_mode的填充值

代碼示例：

 from torchvision import transforms

import matplotlib.pyplot as plt

from PIL import Image

transform = transforms.RandomCrop(size=(512, 512), padding=50, pad_if_needed=True, fill=0,padding_mode="constant")

image_path = "./dog.jpg"

image = Image.open(image_path)

random_crop_image = transform(image)

print(random_crop_image.size)

plt.imshow(random_crop_image)

plt.show()

random_crop_image.save("./random_crop_image.jpg")

圖片大?。?12， 512）

3.3transforms.RandomResizedCrop

RandomResizedCrop(size,scale=(0.08,1.0),ratio=(3/4,4/3),interpolation)

將給定圖像隨機(jī)裁剪為不同的大小和寬高比，然后縮放所裁剪得到的圖像為制定的大小；

主要參數(shù)：

size:為最終圖片要resize的大小

scale:為隨機(jī)采樣最少要覆蓋原圖的比例，在resize前

ratio:為隨機(jī)采樣寬高的比例，也在resize前

interpolation:插值方法

代碼示例：

from torchvision import transforms

import matplotlib.pyplot as plt

from PIL import Image

transform = transforms.RandomResizedCrop(size=(256, 256),

                                         scale=(0.08, 1),

                                         ratio=(3/ 4, 4/3),

                                         interpolation=Image.NEAREST)

image_path = "./dog.jpg"

image = Image.open(image_path)

random_resize_crop_image = transform(image)

print(random_resize_crop_image.size)

plt.imshow(random_resize_crop_image)

plt.show()

random_resize_crop_image.save("./dog_random_resize_crop.jpg")

圖片大小（256， 256）

4.圖片翻轉(zhuǎn)與旋轉(zhuǎn)

4.1.transforms.RandomHorizontalFlip(p=0.5)水平翻轉(zhuǎn)

p為旋轉(zhuǎn)的概率

代碼示例：

from torchvision import transforms

import matplotlib.pyplot as plt

from PIL import Image

transform = transforms.RandomHorizontalFlip(p=0.7)

image_path = "./dog.jpg"

image = Image.open(image_path)

RandomHorizontalFlip_image = transform(image)

print(RandomHorizontalFlip_image.size)

plt.imshow(RandomHorizontalFlip_image)

plt.show()

RandomHorizontalFlip_image.save("./RandomHorizontalFlip_image.jpg")

圖片大?。?024， 683）

4.2transforms.RandomVerticalFlip垂直翻轉(zhuǎn)

代碼示例

from torchvision import transforms

import matplotlib.pyplot as plt

from PIL import Image

transform = transforms.RandomVerticalFlip(p=0.8)

image_path = "./dog.jpg"

image = Image.open(image_path)

RandomVerticalFlip_image = transform(image)

print(RandomVerticalFlip_image.size)

plt.imshow(RandomVerticalFlip_image)

plt.show()

RandomVerticalFlip_image.save("./RandomVerticalFlip_image.jpg")

圖片大小(1024, 683)

4.3旋轉(zhuǎn)transforms.RandomRotation

RandomRotation(degrees,resample=False,expand=False,center=None)

主要參數(shù)：

  • degrees：旋轉(zhuǎn)角度。

        當(dāng)為 a 時(shí)，在 (-a, a) 之間隨機(jī)選擇旋轉(zhuǎn)角度。

        當(dāng)為 (a, b) 時(shí)，在 (a, b) 之間隨機(jī)選擇旋轉(zhuǎn)角度。

  • resample：重采樣方法。
  • expand：是否擴(kuò)大圖片，以保持原圖信息。
  • center：旋轉(zhuǎn)點(diǎn)設(shè)置，默認(rèn)中心旋轉(zhuǎn)

代碼示例：

from torchvision import transforms

import matplotlib.pyplot as plt

from PIL import Image

transform = transforms.RandomRotation(degrees=90,resample=False, expand=True, center=None, fill=0)

image_path = "./dog.jpg"

image = Image.open(image_path)

RandomRotation_image = transform(image)

print(RandomRotation_image.size)

plt.imshow(RandomRotation_image)

plt.show()

RandomRotation_image.save("./RandomRotation_image.jpg")

圖片大小(1214, 1203)

參考博客與資料：

Pytorch transforms.Resize()的簡(jiǎn)單用法

PyTorch 08：transforms 數(shù)據(jù)增強(qiáng)：裁剪、翻轉(zhuǎn)、旋轉(zhuǎn)

Pytorch中transforms.RandomResizedCrop()等圖像操作

Illustration of transforms — Torchvision main documentation (pytorch.org)

到此這篇關(guān)于pytorch transforms圖像增強(qiáng)的文章就介紹到這了,更多相關(guān)pytorch 圖像增強(qiáng)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

相關(guān)文章

最新評(píng)論