pytorch transforms图像增强
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
Illustration of transforms — Torchvision main documentation (pytorch.org)
pytorch transforms图像增强相关推荐
- pytorch —— transforms图像增强（一）
1.数据增强(data augmentation) 数据增强又称为数据增广,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. 在中学阶段就已经接触过数据增强的概念,看一个例子, ...
- 4.3 pytorch数据预处理：transforms图像增强方法
一.数据增强概述 二.数据增强方法:裁剪 三.数据增强方法:翻转和旋转 四.数据增强方法:变换 五.transforms方法的选择操作 一.数据增强概述 我们来看图片中的数据增强是怎么样的. 左边的图 ...
- Pytorch transforms.Resize()的简单用法
简单来说就是调整PILImage对象的尺寸,注意不能是用io.imread或者cv2.imread读取的图片,这两种方法得到的是ndarray. 将图片短边缩放至x,长宽比保持不变: transfor ...
- PyTorch数据Pipeline标准化代码模板
前言 PyTorch作为一款流行深度学习框架其热度大有超越TensorFlow的感觉.根据此前的统计,目前TensorFlow虽然仍然占据着工业界,但PyTorch在视觉和NLP领域的顶级会议上已呈一 ...
- 【PyTorch】03数据处理
3 PyTorch数据处理 3.1 数据读取机制DataLoader与Dataset [PyTorch]2.1 DataLoader与Dataset epoch:对训练集的全部数据进行一次完整的训练, ...
- 【小白学习PyTorch教程】十七、 PyTorch 中 数据集torchvision和torchtext
@Author:Runsen 对于PyTorch加载和处理不同类型数据,官方提供了torchvision和torchtext. 之前使用 torchDataLoader类直接加载图像并将其转换为张量. ...
- pytorch.tensor格式图像的resize操作
在pytorch中,输入网络的图像的shape=[B,C,H,W]. 有时我们需要在网络中对图像张量进行resize操作,这时就要用到transforms.Resize([H,W]) 操作.示例如下: ...
- 语义分割系列6-Unet++（pytorch实现）
目录 Unet++网络 Dense connection deep supervision 模型复现 Unet++ 数据集准备 模型训练 训练结果 Unet++:<UNet++: A Neste ...
- 语义分割系列2-Unet（pytorch实现）
Unet发布于MICCAI.其论文的名字也说得相对很明白,用于生物医学图像分割. <U-Net: Convolutional Networks for Biomedical Image Segm ...
最新文章
- android 组件导出安全,App安全检测实践基础：组件安全（二）
- VC包含目录、附加依赖项、库目录及具体设置
- MATLAB——nctoolbox安装及使用
- 一种Android闪屏页实现方法（偏门别类）
- 在类别无法直接使用的一些对象或方法
- 原生js封装table表格操作，获取任意行列td，任意单行单列方法
- php artisan passport,API 认证解决方案：Laravel Passport
- 硅谷VC想对CIO说这些
- meteor是什么东西？
- 怎样给 ActiveX 控件签名并打包发布
- 验证 decimal 和 数字
- 魅族android面试题,【魅族小米IT面试题】面试问题：Android… - 看准网
- Hibernate之多对多映射
- 仿Hex-Editor，实现简单地二进制文件查看器JHexer
- Ghost 博客平台安装和配置
- php在线售卡系统,云尚在线发卡系统PHP源码|专门为个人或小型企业提供在线售卡，订单处理系统...
- C/C++的刷题练习之牛客网，一个友好的网站
- 最新台式计算机CPU,三月台式电脑CPU性能排行榜， 2019年3月最新版CPU天梯图
- 蓝桥杯 历年试题 矩阵翻硬币
- createfile调用失败_Java NIO Files.createFile()以NoSuchFileException失败