【Pytorch笔记】6.Transforms

pytorch官方文档 - transforms

transforms需要使用计算机视觉工具包：torchvision。
torchvision.transforms：常用的图像预处理方法；
torchvision.datasets：常用数据集的dataset实现，如MNIST、CIFAR-10、ImageNet等；
torchvision.model：常用的模型预训练，如AlexNet、VGG、ResNet、GoogleNet等。

torchvision.transforms

常用的图像预处理方法，包括数据中心化、数据标准化、缩放、裁剪、旋转、翻转、填充、噪声添加、灰度变换、线性变换、仿射变换、亮度变换、饱和度变换、对比度变换等。

Geometry - 几何变换

torchvision.transforms.Resize()

功能：将给定图像缩放成指定的尺寸。

trans = transforms.Resize((32, 32))

意思就是把样本图像缩放成32x32的。如果里面的参数给的不是上面这样的(H, W)的格式，而是一个数的话，那么令原图像的较短边与该数匹配，按比例缩放。

torchvision.transforms.RandomCrop()

功能：将给定图像按照指定的尺寸随机裁剪。

trans = transforms.RandomCrop(size=10, padding=4)

size指裁剪大小。如果size=10，就是裁出10x10的图片；如果size=(15, 10)，就是裁出15x10的图片。
padding指填充大小。如果padding=4，就是上下左右填充都是4；如果padding=(4,2)，就是左右填充为4，上下填充为2；如果padding=(4,3,2,1)，那么左填充为4，上填充为3，右填充为2，下填充为1。

torchvision.transforms.CenterCrop()

功能：将给定图像按照指定的尺寸在中心裁剪。

trans = transforms.CenterCrop(size=4)

size指裁剪大小。如果size=4，就是裁出4x4的图片；如果size=(4, 3)，就是裁出4x3的图片。

torchvision.transforms.FiveCrop()

功能：将给定图像按照指定的尺寸在中心、四个角裁剪，返回五个裁剪出来的图。

trans = transforms.FiveCrop(size=4)

size指裁剪大小。如果size=4，就是裁出4x4的图片；如果size=(4, 3)，就是裁出4x3的图片。

torchvision.transforms.TenCrop()

功能：将给定图像按照指定的尺寸在中心、四个角裁剪，并分别进行翻转，返回十个裁剪/翻转出来的图。

trans = transforms.TenCrop(size=4, vertical_flip=False)

size指裁剪大小。如果size=4，就是裁出4x4的图片；如果size=(4, 3)，就是裁出4x3的图片。
vertical_flip为True，则翻转采用垂直翻转；False，则翻转采用水平翻转。

torchvision.transforms.Pad()

功能：将给定图像按照给定值进行边界填充。

trans = transforms.Pad(padding=4, fill=0, padding_mode='constant')

padding指填充大小。如果padding=4，就是上下左右填充都是4；如果padding=(4,2)，就是左右填充为4，上下填充为2；如果padding=(4,3,2,1)，那么左填充为4，上填充为3，右填充为2，下填充为1。
fill指填充内容，该参数当且仅当后面的padding_mode为'constant'时有效，默认值为0。如果是一个长度为3的tuple，则分别用于填充图像的R,G,B层。用于tensor时仅支持一个数，用于PIL图像时仅支持一个数或一个长度为3的tuple。
padding_mode指填充方式，有以下取值：
'constant'：用一个常值填充，填充的内容用fill参数传入。
'edge'：边缘填充，使用图像最靠边界的元素的数值进行填充。
'reflect'：镜像填充，以最外侧的元素为对称轴，将图像的内容对称填充进去。如原图像为[1,2,3,4]、padding=2时，填充后变成[3,2,1,2,3,4,3,2]。
'symmetric'：对称填充，以边界为对称轴，将图像的内容对称填充进去。如原图像为[1,2,3,4]、padding=2时，填充后变成[2,1,1,2,3,4,4,3]。

torchvision.transforms.RandomRotation()

功能：将给定图像按照指定角度范围进行随机旋转。

trans = transforms.RandomRotation(degrees=(40, 90), 
								  interpolation=InterpolationMode.NEAREST,
								  expand=False,
								  center=None,
								  fill=0)

degrees指角度范围，如果degree=40，那么旋转角度的范围为(-40,40)；
interpolation指插值方式，有两种取值：
InterpolationMode.NEAREST：就近插值、
InterpolationMode.BILINEAR：双线性插值；
expand指是否扩充输出图像的尺寸，如果为True，则输出图像会根据旋转后的结果使尺寸变大，如果为False，则输出图像的形状不变。
center指旋转中心，默认为None，以图片左上角为旋转中心。
fill指旋转后空白的地方的填充内容。

torchvision.transforms.RandomPerspective()

功能：将给定的图像按照给定参数进行透视变换（透视变换效果见下图）
在这里插入图片描述

trans = transforms.RandomPerspective(distortion_scale=0.5, 
									 p=0.5, 
									 interpolation=InterpolationMode.BILINEAR, 
									 fill=0)

distoration_scale指扭曲程度，范围是[0,1]，默认为0.5；
p指被变换概率，默认为0.5；
interpolation指插值方式，有两种取值：
InterpolationMode.NEAREST：就近插值、
InterpolationMode.BILINEAR：双线性插值；
fill指旋转后空白的地方的填充内容。

torchvision.transforms.RandomHorizontalFlip()

功能：以指定概率水平翻转图像。

trans = transforms.RandomHorizontalFlip(p=0.5)

p指被变换概率，默认为0.5；

torchvision.transforms.RandomVerticalFlip()

功能：以指定概率垂直翻转图像。

trans = transforms.RandomVerticalFlip(p=0.5)

p指被变换概率，默认为0.5；

Color - 色彩变换

torchvision.transforms.ColorJitter()

功能：随机改变图像的亮度、对比度、饱和度和色调。

trans = transforms.ColorJitter(brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5)

brightness指亮度：
如果是一个float，则亮度从[max(0, 1-brightness), 1+brightness]中均匀抽取，
如果是一个长度为2的tuple：float(min, max)，则亮度从[min, max]中均匀抽取；
contrast指对比度：
如果是一个float，则对比度从[max(0, 1-contrast), 1+contrast]中均匀抽取，
如果是一个长度为2的tuple：float(min, max)，则对比度从[min, max]中均匀抽取；
saturation指饱和度：
如果是一个float，则饱和度从[max(0, 1-saturation), 1+saturation]中均匀抽取，
如果是一个长度为2的tuple：float(min, max)，则饱和度从[min, max]中均匀抽取；
hue指色调：
如果是一个float，则色调从[-hue, hue]中均匀抽取，其中 $0\leq hue \leq 0.5$ ，
如果是一个长度为2的tuple：float(min, max)，则色调从[min, max]中均匀抽取，其中 $-0.5\leq min\leq max\leq 0.5$ ；

torchvision.transforms.Grayscale()

功能：将图像转为灰度图像。

trans = transforms.Grayscale(num_output_channels=1)

num_output_channels指输出图像的通道数，取值只能是1或3。
如果为1：返回的图像只有一个通道；
如果为3：返回的图像有3个通道，且r=g=b。

torchvision.transforms.RandomGrayscale()

功能：以指定概率将图像转为灰度图像。

trans = transforms.RandomGrayscale(p=0.5)

p为转变图像的概率。

torchvision.transforms.GaussianBlur()

功能：使用随机的高斯模糊对图像进行模糊处理。

trans = transforms.GaussianBlur(kernel_size=2, sigma=(0.1, 2.0))

kernel_size指高斯核的大小；
sigma指用于创建内核进行模糊处理的标准偏差，如果是一个float则sigma固定；如果是长度为2的float元组，令其为float(min, max)，并在[min, max]范围内均匀随机选取sigma。

torchvision.transforms.RandomInvert()

功能：以指定概率替换图片的颜色。

trans = transforms.RandomInvert(p=0.5)

p为改变颜色的概率。

transforms.RandomPosterize()

功能：以指定概率将图片海报化（减少通道中的比特数）。

trans = transforms.RandomPosterize(bits=4, p=0.5)

bits指每个通道保持的比特数，取值为0-8；
p为转化图像的概率。

transforms.RandomSolarize()

功能：以指定概率将图片高曝（Solarize该怎么翻译呢？）。

trans = transforms.RandomSolarize(threshold=128, p=0.5)

threshold指高曝的阈值。所谓高曝，就是将像素值在[0, threshold]映射到[threshold, 255]上。
p为转化图像的概率。

Composition - 变换组合

torchvision.transforms.Compose()

功能：将多个transforms变换封装成一个组合。

transforms.Compose([
    transforms.CenterCrop(10),
    transforms.PILToTensor(),
    transforms.ConvertImageDtype(torch.float),
])

参数就是包含很多transforms变换的list。

torchvision.transforms.RandomApply()

功能：以给定概率将transforms列表中的变换打乱。

transforms.RandonApply([
    transforms.CenterCrop(10),
    transforms.PILToTensor(),
    transforms.ConvertImageDtype(torch.float),
], p=3)

第一项可以是transforms的sequence，也可以是torch.nn.ModuleList；
第二项p是打乱的概率。

Miscellaneous - 杂项

torchvision.transforms.Normalize()

功能：对得到的tensor进行减均值除标准差处理。

trans = transforms.Normalize(mean=0, std=1, inplace=True)

mean指均值；
std指标准差；
inplace指是否替换原tensor，True为替换，False为不替换。

torchvision.transforms.RandomErasing()

功能：对得到的图像，以一定概率随机一个矩形区域进行擦除。

trans = transforms.RandomErasing(p=0.5, 
								 scale=(0.02, 0.33), 
								 ratio=(0.3, 3.3), 
								 value=0, 
								 inplace=False)

p指给定的概率；
scale指擦除区域面积占原图面积的比例范围；
ratio指擦除区域长宽比的范围；
value指擦除后填充的值，如果是一个int，那么全部用这个int来填充；如果是长度为3的int，则分别用于填充R、G、B三个通道；如果value='random'，则随机填充。
inplace指是否替换原tensor，True为替换，False为不替换。

Conversion - 格式转换

torchvision.transforms.ToTensor()

功能：将PIL图像或ndarray转换成tensor并将值映射到[0,1]之间。
更具体地，将一个PIL图像或ndarray（形状是 $H\times W\times C$ ，元素范围在[0,255])转化成tensor（形状是 $C\times H\times W$ ，元素范围在[0,1]）。前提是PIL图像属于L, LA, P, I, F, RGB, YCbCr, RGBA, CMYK, 1中的一种模式、ndarray的dtype=uint8。
其他情况下返回的tensor不会被映射到[0,1]之间。