一、前言
在学习自己的项目发现自己有很多基础知识不牢,对于图像处理有点不太清楚,因此写下来作为自己的笔记,主要是我想自己动手写一下每一句代码到底做了什么,而不是单纯的我看了知道了它做了什么,说白了,不想停在看,而是要真正自己敲。
本文基于的是pytorch1.7.1
二、图像处理
深度学习是由数据驱动的,而数据的数量和分布对于模型的优劣具有决定性作用,所以我们需要对数据进行一定的预处理以及数据增强,用于提升模型的泛化能力。
一般来说深度学习神经网络训练前都需要做数据增强 (Data Augmentation) 又称为数据增广、数据扩增,它是对 训练集 进行变换,使训练集更丰富,从而让模型更具 泛化能力。
下面为常见的图像变换
1.原始图片
显示图片,并读取图片大小
1 2 3 4 5 6 7 8 9 |
from torchvision import transforms from PIL import Image # 用于读取图片 import matplotlib.pyplot as plt # 用于显示图片 image_path = './dog.jpg' image = Image.open(image_path) plt.imshow(image) print(image.size) plt.show() |
图片大小(1024, 683)
2.调整图片大小transforms.Resize
2.1.transforms.Resize(x)
主要用于调整PILImage对象的尺寸大小,图片短边缩放至x,长宽比保持不变
将图片短边缩放至x,长宽比保持不变,上述图片执行transforms.Resize(300)
1 2 3 4 5 6 7 8 9 10 11 |
from torchvision import transforms from PIL import Image # 用于读取图片 import matplotlib.pyplot as plt # 用于显示图片 # 图片显示,打印图片大小 image_path = './dog.jpg' image = Image.open(image_path) resize = transforms.Resize(300) image1 = resize(image) plt.imshow(image1) print(image1.size) plt.show() |
图片大小(449, 300)
得到如下
2.2.transforms.Resize([x, y])
同时指定图片长宽,这样会改变长宽比例但是不是裁剪,可以恢复
1 2 3 4 5 6 7 8 9 10 11 |
from torchvision import transforms from PIL import Image # 用于读取图片 import matplotlib.pyplot as plt # 用于显示图片 # 图片显示,打印图片大小 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() |
图片大小(512, 300)
2.3关于图片的恢复
测试代码
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
from torchvision import transforms from PIL import Image # 用于读取图片 import matplotlib.pyplot as plt # 用于显示图片 # 图片显示,打印图片大小 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() |
图片大小(1024, 683)
注意这里要使用transforms.Resize([h, w])
3.图片裁剪
3.1中心裁剪transforms.CenterCrop
作用:中心裁剪图片
主要参数:size,表示需要裁剪的图片大小
代码示例:
1 2 3 4 5 6 7 8 9 10 11 |
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') |
图片大小(512, 512)
3.2随机裁剪transforms.RandomCrop(size,padding=None,pad_if_needed=False,fill=0,padding_mode='constant')
主要参数:
size:为需要裁剪的图片大小
padding:设置填充大小
大小为a:表示上下左右都填充a个元素
大小为(a, b):表示左右填充a个元素,上下填充b个元素
大小为(a, b, c, d):表示左上右下填充a, b, c, d个元素
pad_if_needed:若图像小于设定 size,则填充,此时该项需要设置为 True
padding_mode:填充模式,主要有四种
- constant:像素值由 fill 设定。
- edge:像素值由图像边缘像素决定。
- reflect:镜像填充,最后一个像素不镜像,例如 [1, 2, 3, 4] → [3, 2, 1, 2, 3, 4, 3, 2]。
- symmetric:镜像填充,最后一个像素镜像,例如 [1, 2, 3, 4] → [2, 1, 1, 2, 3, 4, 4, 3]。
fill:当填充模式为padding_mode的填充值
代码示例:
1 2 3 4 5 6 7 8 9 10 11 |
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") |
图片大小(512, 512)
3.3transforms.RandomResizedCrop
RandomResizedCrop(size,scale=(0.08,1.0),ratio=(3/4,4/3),interpolation)
将给定图像随机裁剪为不同的大小和宽高比,然后缩放所裁剪得到的图像为制定的大小;
主要参数:
size:为最终图片要resize的大小
scale:为随机采样最少要覆盖原图的比例,在resize前
ratio:为随机采样宽高的比例,也在resize前
interpolation:插值方法
代码示例:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
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") |
图片大小(256, 256)
4.图片翻转与旋转
4.1.transforms.RandomHorizontalFlip(p=0.5)水平翻转
p为旋转的概率
代码示例:
1 2 3 4 5 6 7 8 9 10 11 |
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") |
图片大小(1024, 683)
4.2transforms.RandomVerticalFlip垂直翻转
代码示例
1 2 3 4 5 6 7 8 9 10 11 |
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") |
图片大小(1024, 683)
4.3旋转transforms.RandomRotation
RandomRotation(degrees,resample=False,expand=False,center=None)
主要参数:
- degrees:旋转角度。
当为 a 时,在 (-a, a) 之间随机选择旋转角度。
当为 (a, b) 时,在 (a, b) 之间随机选择旋转角度。
- resample:重采样方法。
- expand:是否扩大图片,以保持原图信息。
- center:旋转点设置,默认中心旋转
代码示例:
1 2 3 4 5 6 7 8 9 10 11 |
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") |
图片大小(1214, 1203)
参考博客与资料:
Pytorch transforms.Resize()的简单用法_xiongxyowo的博客-CSDN博客
PyTorch 08:transforms 数据增强:裁剪、翻转、旋转 - YEY 的博客 | YEY Blog
Pytorch中transforms.RandomResizedCrop()等图像操作_心向林丶的博客-CSDN博客文章来源:https://www.toymoban.com/news/detail-413993.html
Illustration of transforms — Torchvision main documentation (pytorch.org)文章来源地址https://www.toymoban.com/news/detail-413993.html
到了这里,关于pytorch transforms图像增强的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!