读取MNIST文件图片进行上采样、下采样（图片放大两倍）

MNIST进行上采样（图片放大两倍）

说实话，要对于像素没有要求直接使用cv2.resize(img, (size_m, size_n)) #其中size_m,size_n可以设置任意值，之前生成的人脸没有达到所要的分辨率，就直接resize的。

这次让上采样，那就上采样吧

两种方法nn.Upsample和cv2.pyrUp

import cv2
import scipy.io as scio
import torch
import torch.nn as nn
import torch.nn.functional as F
from ball_edge_me3 import main_clu4
import numpy as np

# 1.读取图片
dataFile = '../../data_mnist/mnist.mat'
data = scio.loadmat(dataFile)
traindata = np.double(data['train_x']) # 转为浮点类型好计算
the_one = torch.tensor(traindata[0])
print(the_one)# 一维的张量，一长串类似torch.tensor([0.,0.,0.,0.,0.,255.,0.,189.,0.,...],dtype=torch.float64)


# 2.展示一下数字图片，注意参数需要np.array了类型，二维的！！！
jk = np.resize(the_one, (28, 28))
cv2.imshow("jk1", jk) #
cv2.imwrite('jk1.png', jk)

# 3.改变张量维度
# resize成二维再reshap，还不如直接reshape
# re_roi = the_one.resize(28, 28)
# re_roi.reshape(1,28,28) # 事实3维也不行，要四维上采样
res = the_one.reshape(1, 1, 28, 28)
# 要四维的才能采样成功，试过reshape(1,28,28)这样相当于torch.tensor([[[1,2],[3,4]]])结果只有两行，
# 实际上需要torch.tensor([[[[1,2],[3,4]]]])这样的
# print(res)#可以调试查看像素值是否在原来位置的两倍处

# 方法一：采用pytorch的库进行上采样
upsample = nn.Upsample(scale_factor=2, mode='nearest')# 这里一定要是浮点类型才能上采样
kk = upsample(res)
cv2.imshow("jk2", np.array(kk.reshape(56,56)))
cv2.imwrite('jk2.png', np.array(kk.reshape(56,56))) # 因为保存图片，把tensor转为二维的，再是array好保存
cv2.waitKey(0)
cv2.destroyAllWindows()


# 方法二：采用cv2.pyrUp进行上采样（但是这个里面包含采样后会高斯模糊)而我不需要高斯模糊
# import cv2
# img='yy.jpg' # 如果不是图片文件而是像上面读写的，一样转array进行输入成src
# src = cv2.imread(img)
# res = cv2.pyrUp(src) # 下采样对应的pyrDown
# print(res)
# cv2.imshow("res", res)
# cv2.imwrite('res.png', res)
# cv2.waitKey(0)
# cv2.destroyAllWindows()

# 方法一测试理解
input = torch.arange(1, 5).view(1, 1, 2, 2).float()
print(input)
# 这里如果不是四维的，都会报错
# tensor([[[[1., 2.],
#          [3., 4.]]]])
upsample = nn.Upsample(scale_factor=2, mode='nearest') # 下采样对应Downsample
print(upsample(input))
# tensor([[[[1., 1., 2., 2.],
#          [1., 1., 2., 2.],
#          [3., 3., 4., 4.],
#          [3., 3., 4., 4.]]]])
upsample = nn.Upsample(scale_factor=2, mode='bilinear') # 线性增长2倍，等距
print(upsample(input))
# tensor([[[[1.0000, 1.2500, 1.7500, 2.0000],
#          [1.5000, 1.7500, 2.2500, 2.5000],
#          [2.5000, 2.7500, 3.2500, 3.5000],
#          [3.0000, 3.2500, 3.7500, 4.0000]]]])

注意

• 值得注意的是，在imshow和imwrite的时候，需要的图片参数是二维的array数组，所以如果不是二维需要转化为二维，如果不是数组类型需要转化（注意观察是否是tensor）,不然就像我一样报错，百度半天又找不到解决办法，最后是直觉改正过来，自己不够仔细了。

cv2.error: OpenCV(4.6.0) :-1: error: (-5:Bad argument) in function 'imwrite'
> Overload resolution failed:
>  - img is not a numpy array, neither a scalar
>  - Expected Ptr for argument 'img'

cv2.error: OpenCV(4.6.0) :-1: error: (-5:Bad argument) in function 'imshow'
> Overload resolution failed:
>  - mat is not a numpy array, neither a scalar
>  - Expected Ptr for argument 'mat'
>  - Expected Ptr for argument 'mat'

• 还有就是nn.Upsample所需要的是四维的张量，不是的话就注意转换！！！
• 转换维度是：张量.reshape(1, 1, 28, 28) ，# 4维，每一维的维度，也可以是其他维度
• 可以直接张量.reshape(…)这样reshape后还是张量，如果np.reshape(张量,(维度))这样转换后是array
• 错误写法：本来最初在那里搞的是torch.tensor([[m]]) ，其中m是一个张量torch.tensor([[1,2],[3,4]]，以为这样就会变成4维的张量了（毕竟看到torch.tensor([[[1,2],[3,4]]])这样的写法），nono，这样只会报下面这个错…

ValueError: only one element tensors can be converted to Python scalars

方法一四维很重要

• 三维的去测试

oo = torch.tensor([[[1.,2.],[3.,4.]]])
upsample = nn.Upsample(scale_factor=2, mode='nearest')

只横向加了，纵向没有两倍，差点看岔了

• 四维的

oo = torch.tensor([[[[1.,2.],[3.,4.]]]])
upsample = nn.Upsample(scale_factor=2, mode='nearest')

• 至于更低维度的张量上采样。。是会报错的
  NotImplementedError: Input Error: Only 3D, 4D and 5D input Tensors supported (got 2D) for the modes: nearest | linear | bilinear | bicubic | trilinear (got nearest)

很认真写的，如果对您有帮助~~~~~

•