这篇文章主要介绍“pytorch transforms图像增强怎么实现”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“pytorch transforms图像增强怎么实现”文章能帮助大家解决问题。
一、前言
本文基于的是pytorch3.7.1
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
from torchvision import transformsfrom 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()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)
from torchvision import transformsfrom 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()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
from torchvision import transformsfrom 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()2.3关于图片的恢复
测试代码
from torchvision import transformsfrom 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.sizeresize = transforms.Resize([512, 300])image1 = resize(image)resize2 = transforms.Resize([h, w])image2 = resize2(image1)plt.imshow(image2)print(image2.size)plt.show()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：
from torchvision import transformsfrom PIL import Imageimport matplotlib.pyplot as plttransform = 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')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：
from torchvision import transformsimport matplotlib.pyplot as pltfrom PIL import Imagetransform = 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")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：
from torchvision import transformsimport matplotlib.pyplot as pltfrom PIL import Imagetransform = 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")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：
from torchvision import transformsimport matplotlib.pyplot as pltfrom PIL import Imagetransform = 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")4.2transforms.RandomVerticalFlip垂直翻转
代码示例
from torchvision import transformsimport matplotlib.pyplot as pltfrom PIL import Imagetransform = 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")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：
from torchvision import transformsimport matplotlib.pyplot as pltfrom PIL import Imagetransform = 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")关于“pytorch transforms图像增强怎么实现”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注编程网行业资讯频道，小编每天都会为大家更新不同的知识点。
