神经网络数据增强transforms的相关操作(持续更新)

transforms的相关操作(Pytorch)

  • 一、图像的相关变化
    • 1、格式转换
      • (1)transforms.ToTensor()
      • (2)transforms.ToPILImage()
      • (3)transforms.Normalize()
    • 2、图像大小和颜色变换
      • (1)transforms.Resize()
      • (2)transforms.ColorJitter()
      • (3)transforms.Grayscale()和transforms.RandomGrayscale()
    • 3、图像的裁剪与旋转
      • (1)随机裁剪transforms.RandomCrop()
      • (2)中心裁剪transforms.CenterCrop()
      • (3)随机长宽比裁剪transforms.RandomResizedCrop()
      • (4)10次裁剪transforms.TenCrop()
      • (5)概transforms.RandomHorizontalFlip()
      • (6)概率垂直翻转transforms.RandomVerticalFlip()
      • (7)随机旋转:transforms.RandomRotation()
    • 4、transforms.Compose([])

日志:
        2022.6.18:加入transforms.TenCrop()

一、图像的相关变化

1、格式转换

(1)transforms.ToTensor()

可将PIL格式、数组格式转换为tensor格式

img_path = "E:\expression_recognition\\2.jpg"
img = Image.open(img_path)  # #数组类型PIL类型都可
a1 = transforms.ToTensor()
img_tensor = (img)

(2)transforms.ToPILImage()

tensor格式 或者 数组类型的数据转换为 PIL 格式

img_path="E:\expression_recognition\\1.jpg"
img = Image.open(img_path)
img_array = numpy.array(img)
a1 = transforms.ToTensor()
img_tensor = a1(img)

# 1、数组转换为PIL格式
a2 = transforms.ToPILImage()
img_array = numpy.uint8(img_array)  # 满足类型需求
img_PIL = a2(img_array)

# 2、tensor转换为PIL格式
img_tensor = img_tensor.float()  # 满足类型需求
img_PIL = a2(img_tensor)

(3)transforms.Normalize()

注意该操作只能对tensor格式进行操作,因此放transforms.ToTensor()之后
对图像进行标准化处理

括号中的值 transforms.Resize()
mean,std 以三通道为例:[0.5,0.5,0.5],[0.5,0.5,0.5]

2、图像大小和颜色变换

(1)transforms.Resize()

可对tensor类型,PIL类型进行缩放,不可对数组类型进行缩放

括号中的值 transforms.Resize()
W 图片缩放为(W*W)
(H,W) 图片缩放为(H*W)
a = transforms.Resize([256,512])   # [H,W]
img_resize = a2(img)
img_resize.show()

神经网络数据增强transforms的相关操作(持续更新)_第1张图片

(2)transforms.ColorJitter()

可对tensor类型,PIL类型进行修改,不可对数组类型进行修改

括号中的值 transforms.ColorJitter(brightness, contrast, saturation, hue)
brightness 亮度
contrast 对比度
saturation 饱和度
hue 色调
a3 = transforms.ColorJitter(brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5)
img_colorjitter = a3(img)
img_colorjitter.show()

左端原图,右端变换完的图
神经网络数据增强transforms的相关操作(持续更新)_第2张图片

(3)transforms.Grayscale()和transforms.RandomGrayscale()

可对tensor类型,PIL类型进行修改,不可对数组类型进行修改

功能
transforms.Grayscale() 将图像变为灰度图像
transforms.RandomGrayscale() 将图像随机变为灰度图像
a4 = transforms.Grayscale(num_output_channels=1)
img_grayscale = a4(img)
img_grayscale.show()
a5 = transforms.RandomGrayscale(p=0.1)
img_randomgrayscale = a5(img)
img_randomgrayscale.show()
神经网络数据增强transforms的相关操作(持续更新)_第3张图片

3、图像的裁剪与旋转

(1)随机裁剪transforms.RandomCrop()

可对tensor类型,PIL类型进行修改,不可对数组类型进行修改
随机裁剪有很多参数,但是目前用到的只有这一种参数

参数 功能
size 按照所给的size大小进行裁剪,size可以是(h,w)或直接是w
import matplotlib.pyplot as plt
# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

a6 = transforms.RandomResizedCrop((124,124))
a7 = transforms.RandomResizedCrop(256)
img_randomresizedcrop1 = a6(img)
img_randomresizedcrop2 = a7(img)
plt.subplot(1,3,1),plt.imshow(img),plt.title("原图")
plt.subplot(1,3,2),plt.imshow(img_randomresizedcrop1),plt.title("转换后的图1")
plt.subplot(1,3,3),plt.imshow(img_randomresizedcrop2),plt.title("转换后的图2")
plt.show()
神经网络数据增强transforms的相关操作(持续更新)_第4张图片

(2)中心裁剪transforms.CenterCrop()

可对tensor类型,PIL类型进行修改,不可对数组类型进行修改
与随机裁剪基本一样,只不过是从中心进行裁剪

参数 功能
size 按照所给的size大小进行中心裁剪,size可以是(h,w)或直接是w
神经网络数据增强transforms的相关操作(持续更新)_第5张图片

(3)随机长宽比裁剪transforms.RandomResizedCrop()

可对tensor类型,PIL类型进行修改,不可对数组类型进行修改
主要用到以下两个参数:

参数 功能
size 输出的分辨率大小
scale 随机crop的大小区间,如scale=(0.8, 1.0)(前面是h的倍数,后面是w的倍数),表示随机crop出来的图片会在的0.8倍至1倍之间
import matplotlib.pyplot as plt
# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

a6 = transforms.RandomResizedCrop((64,128), scale=(0.08, 1.0))
img_randomresizedcrop = a6(img)
plt.subplot(1,2,1),plt.imshow(img),plt.title("原图")
plt.subplot(1,2,2),plt.imshow(img_randomresizedcrop),plt.title("转换后的图")
plt.show()
神经网络数据增强transforms的相关操作(持续更新)_第6张图片

(4)10次裁剪transforms.TenCrop()

裁剪图片的中间部分和四个角并进行翻转得到四张图片(默认水平翻转)

参数 功能
size 裁剪图片的大小
vertical_flip 是否垂直翻转

默认采用水平翻转,第一张为原图

a7 = transforms.TenCrop(224)
img1 = a7(img)
plt.figure(figsize=(20,18))
plt.subplot(3,4,1),plt.imshow(img),plt.title(1)
for i in range(0,10):
    plt.subplot(3,4,i+2),plt.imshow(img1[i]),plt.title(str(i+1))
plt.show()
神经网络数据增强transforms的相关操作(持续更新)_第7张图片

采用垂直翻转,第一张为原图

a8 = transforms.TenCrop(224,vertical_flip=True)
img2 = a8(img)
plt.figure(figsize=(20,18))
plt.subplot(3,4,1),plt.imshow(img),plt.title(0)
for i in range(0,10):
    plt.subplot(3,4,i+2),plt.imshow(img2[i]),plt.title(str(i+1))
plt.show()
神经网络数据增强transforms的相关操作(持续更新)_第8张图片

(5)概transforms.RandomHorizontalFlip()

可对tensor类型,PIL类型进行修改,不可对数组类型进行修改

import matplotlib.pyplot as plt
# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

a7 = transforms.RandomHorizontalFlip(p=0.5)
img_randomhorizontalflip = a7(img)
plt.subplot(1,2,1),plt.imshow(img),plt.title("原图")
plt.subplot(1,2,2),plt.imshow(img_randomhorizontalflip),plt.title("翻转后的图")
plt.show()
参数 功能
p 随机水平翻转的概率
神经网络数据增强transforms的相关操作(持续更新)_第9张图片

(6)概率垂直翻转transforms.RandomVerticalFlip()

可对tensor类型,PIL类型进行修改,不可对数组类型进行修改

参数 功能
p 随机垂直翻转的概率
import matplotlib.pyplot as plt
# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

a7 = transforms.RandomVerticalFlip(p=0.5)
img_randomverticalflip = a7(img)
plt.subplot(1,2,1),plt.imshow(img),plt.title("原图")
plt.subplot(1,2,2),plt.imshow(img_randomverticalflip),plt.title("翻转后的图")
plt.show()
神经网络数据增强transforms的相关操作(持续更新)_第10张图片

(7)随机旋转:transforms.RandomRotation()

可对tensor类型,PIL类型进行修改,不可对数组类型进行修改

参数 功能
70 旋转范围为:(-70,70)
(30,60) 旋转范围为:(30,60)
import matplotlib.pyplot as plt
# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

a7 = transforms.RandomRotation((30,50))
img_randomrotation = a7(img)
plt.subplot(1,2,1),plt.imshow(img),plt.title("原图")
plt.subplot(1,2,2),plt.imshow(img_randomrotation),plt.title("随机旋转后的图")
plt.show()
神经网络数据增强transforms的相关操作(持续更新)_第11张图片

4、transforms.Compose([])

transforms.Compose是将上述数据变换包装起来依次执行。另外有不对的地方望指出。

你可能感兴趣的:(神经网络基础及相关处理,神经网络,pytorch,深度学习,人工智能,python)