pytorch基础（八）----------transforms图像增强（二）

注意：以下方法也都是作用在transforms.Compose([ ])方法中的

一、transforms------图像变换

1、transforms.Pad(padding, fill=0, padding_mode=‘constant’)

功能：对图像边缘进行填充
参数：
padding：设置填充大小，当为a时，上下左右均填充a个像素；当为（a，b）时，上下填充b个像素，左右填充a个像素；当为（a，b，c，d）时，左、上、右、下分别填充a、b、c、d个像素
padding_mode：填充模式，共有四种
    1、constant：像素值由fill设定
    2、edge：像素值由图像边缘设定
    3、reflect：镜像填充，最后一个像素不镜像。eg：对[1,2,3,4]的边缘进行两个像素的填充 -> [3,2，1,2,3,4，3,2]
    4、symmetric：镜像填充，最后一个像素镜像。eg：[1,2,3,4] -> [2,1，1,2,3,4，4,3]
fill：padding_mode为constant时，设置填充的像素值

2、transforms.ColorJitter(brightness=0, contrast=0, saturation=0, hue=0)

功能：调整亮度、对比度、饱和度和色相
参数：
brightness：亮度调整因子，当为a时，从[max(0, 1-a), 1+a]中随机选择；当为（a， b）时，从[a， b]中随机选择
contrast：对比度参数，同brightness
saturation：饱和度参数，同brightness
hue：色相参数，当为a时，从[-a， a]中选择参数（0 <= a <= 0.5）；当为（a， b）时，从[a， b]中随机选择（-0.5 <= a <= b <= 0.5）

3、transforms.Grayscale(num_output_channels)

4、transforms.RandomGrayscale(num_output_channels，p=0.1)

功能：依据概率将图片转化为灰度图
参数：
num_output_channels：输出通道数，只能设置为1或3
p：概率

5、transforms.RandomAffine(degress, translate=None, scale=None, shear=None, resample=False, fillcolor=0)

功能：对图像进行仿射变换，仿射变换是二维的线性变换，有五种基本原子变换构成，分别是旋转、平移、缩放、错切和翻转
参数：
degrees：旋转角度设置
translate：平移区间设置，如（a，b），a设置宽，b设置高
sclae：缩放比例（以面积为单位）
fill_color：填充颜色设置
shear：错切角度设置，有水平错切和垂直错切。若为a，则仅在x轴错切，错切角度在（-a，a）之间；若为（a，b），则设置a为x轴角度，b设置y轴角度，若为（a，b，c，d），则a，b设置x轴角度，c，d设置y轴角度
resample：重采样方法

6、transforms.RandomErasing(p=0.5, scale=(0.02, 0.33), ratio=(0.3, 0.3), value=0, inplace=False)

功能：对图像进行随机遮挡
参数：
p：概率
scale：遮挡区域的面积
ratio：遮挡区域的长宽比
value：设置遮挡区域的像素值
注意：这个方法是对张量进行操作的，之前的方法都是对PIL进行操作，所以在这个方法前面需要加上一句代码‘transforms.ToTensor()’

7、transforms.Lambda(lambd)

功能：用户自定义lambda方法
参数：lambd：lambda匿名函数
该方法通常的使用方法，代码展示

# 通常是在随机裁剪多张图片形成元组时，对元组进行转换成PIL或tensor
transforms.TenCrop(200, vertical_filp=True)
transforms.Lambda(lambda crops: torch.stack([transforms.Totensor()(crop) for crop in crops]))

二、transforms------transforms方法操作

1、transforms.RandomChoice([transforms1, transforms2, transforms3])

功能：从一系列transforms方法中随机挑选一个

2、transforms.RandomApply([transforms1, transforms2, transforms3], p=0.5)

功能：依据概率执行一组transforms操作

3、transforms.RandomOrder([transforms1, transforms2, transforms3])

功能：对一组transforms操作打乱顺序

三、自定义transforms方法

自定义transforms要素：1、仅接收一个参数，返回一个参数；2、注意上下游的输入输出，下游的输入是上游的输出，它们之间的数据类型一定要匹配
下面是我们在使用系统自带的transforms方法的流程

class Compose(object):
	def __call__(self, img):
		for t in self.transforms:
			img = t(img)
		return img

下面是我们自己通过类实现多参数传入时的方法：

class MyTransforms(object):
	def __init__(self, ......):
		...
	def __call__(self, img):
		...
		return img

下面是自定义transforms方法的一个例子：自定义椒盐噪声
椒盐噪声的概念：又称为脉冲噪声，是一种随机出现的白点或者黑点，白点称为盐噪声，黑点称为椒噪声
信噪比：是衡量噪声的比例，图像中为图像像素的占比，也就是信噪比越小图像像素的占比越小，图像越模糊

import numpy as np
from PIL import Image
class AddPepperNoise(object):
	def __init__(self, snr, p=0.9):
		# snr代表信噪比
		# p代表概率
		self.snr = snr
		self.p = p
	def __call__(self, img):
		'''
		添加椒盐噪声
		'''
		# 判断根据一定的概率去执行椒盐噪声
		if random.uniform(0, 1) < self.p:
			# 将PIL格式的图像转化为numpy数组
			img_ = np.array(img).copy()

			# 获取图像的宽、高和通道数
			h, w, c = img_.shape
			
			# 获取信噪比
			sigual_pct = self.snr
			noise_pct = (1 - sigual_pct)

			# 通过(0, 1, 2)来表示0代表原始图像，1表示盐噪声，2表示椒噪声
			mask = np.random.choice((0, 1, 2), size=(h, w, 1), p=[sigual_pct, noise_pct/2, noise_pct/2])
			mask = np.repeat(mask, c, axis=2)
			img_[mask == 1] == 255   # 将mask=1的地方设置为255，白色，为盐噪声
			img_[mask == 2] == 0	# 将mask=2的地方设置为0，黑色，为椒噪声
			# 将numpy数组转化为PIL格式
			return Image.fromarray(img_.astype('uint8')).convert('RGB')
		else:
			return img

# 椒盐噪声的使用
transforms.Compose([
	AddPepperNoise(0.9, p=0.9)
])