torchvision transform

pytorch中的torchvision.transforms模块提供了一般的图像转换操作类.

一般用Compose把多个步骤整合到一起：

transforms.Compose([

transforms.CenterCrop(10),

transforms.ToTensor(),

])

其中  每个步骤有以下几种：

• transforms.CenterCrop(size)
  • 将给定的PIL.Image进行中心切割，得到给定的size，size可以是tuple，(target_height, target_width)。size也可以是一个Integer，在这种情况下，切出来的图片的形状是正方形。
• transforms.RandomCrop(size, padding=0)
  • 切割中心点的位置随机选取。size可以是tuple也可以是Integer。
• transforms.FiveCrop(size)

  • 将给定的PIL图像分成四个角和中心作物

  • (此转换返回图像的元组，并且可能存在输入和目标数据集返回的数目不匹配。)

  • size ---- 期望输出尺寸。如果大小是int，而不是序列（h，w），则生成大小（大小，大小）的正方形尺寸。

• transforms.RandomApply(transforms)

  • 随机地应用给定概率的变换列表。

• transforms.RandomChoice(transforms)

  • 从列表中随机选取单个变换

• transforms.RandomGrayscale(p)

  • 以P（默认为0.1）的概率将图像随机转换为灰度。

• transforms.RandomOrder(transforms)

  • 按随机顺序应用转换列表

• transforms.RandomRotation(degrees, resample=False, expand=False, center=None)

  • 用角度旋转图像。

• transforms.RandomVerticalFlip(p=0.5)

  • 以给定的概率随机翻转给定的PIL图像。

• transforms.RandomHorizontalFlip()
  • 随机水平翻转给定的PIL.Image,概率为0.5。即：一半的概率翻转，一半的概率不翻转。
• transforms.RandomSizedCrop(size, interpolation=2)
  • 先将给定的PIL.Image随机切，然后再resize成给定的size大小。
• transforms.Pad(padding, fill=0)
  • 将给定的PIL.Image的所有边用给定的pad value填充。 padding：要填充多少像素 fill：用什么值
• transforms.Resize(size, interpolation=2)

  • 将输入的PIL图像调整为给定的大小。

• transforms.Scale(*args, **kwargs)

  • 注意：此转换被禁止，建议使用resize

• 对Tensor进行变换

• transforms.Normalize(mean, std)
  • 给定均值：(R,G,B) 方差：（R，G，B），将会把Tensor正则化。即：Normalized_image=(image-mean)/std。
• transforms.ColorJitter(brightness=0, contrast=0, saturation=0, hue=0)
  • 随机改变图像的亮度、对比度和饱和度。

• Conversion Transforms

• transforms.ToTensor
  • 把一个取值范围是[0,255]的PIL.Image或者shape为(H,W,C)的numpy.ndarray，转换成形状为[C,H,W]，取值范围是[0,1.0]的torch.FloadTensor
• transforms.ToPILImage
  • 将shape为(C,H,W)的Tensor或shape为(H,W,C)的numpy.ndarray转换成PIL.Image，值不变。

• 通用变换

• transforms.Lambda
  • 使用lambd作为转换器。

参考：

https://pytorch.org/docs/stable/torchvision/transforms.html#torchvision.transforms.ColorJitter

https://pytorch-cn.readthedocs.io/zh/latest/