pytorch —— transforms图像增强（一）

最新推荐文章于 2024-03-17 11:43:07 发布

然后就去远行吧

最新推荐文章于 2024-03-17 11:43:07 发布

阅读量5.8k

点赞数 5

分类专栏： pytorch

本文链接：https://blog.csdn.net/qq_37388085/article/details/103170090

版权

pytorch 专栏收录该内容

33 篇文章 41 订阅

订阅专栏

1、数据增强（data augmentation）

数据增强又称为数据增广，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。

在中学阶段就已经接触过数据增强的概念，看一个例子，高中的五年高考三年模拟，假设学生是一个模型，五年高考真题是一个训练集，当年高考题是一个验证集，用来验证学习模型的学习能力和效果。对于这个例子怎么做数据增强呢？就是对历年的高考题的知识点进行分析和提炼，设计出三年的模拟试题用来给学生进行学习。当做了很多模拟试题的时候，学生的学习能力自然得到了提高，从而在高考的时候分数得到提高，这就是数据增强的一个概念。

如果模拟题的某一些试题恰恰出现在当年高考题当中，这就可以直接提高学生的成绩，即使没有完完整整的题出现在高考中，只要有类似的题型出现在高考题当中，这样也可以提高学生的成绩，这就是数据增强。

看一下图片中的数据增强是怎么样的。下图是一张原始图片，对这张图片进行一系列的操作变换得到64张增强样本。64张图片中的第一张图片是对原始图片进行旋转，第二张图片是对原始图片进行颜色变换，第三张图片是进行镜像操作。对图片进行一系列操作可以得到大量增强样本提供给模型进行训练，让模型见过更多的样本，从而提升模型的泛化能力，使得模型在验证集上的表现更好。下面开始学习具体的数据增强方法。

2、transforms——裁剪（crop）

2.1 transforms.CenterCrop

功能：从图像中心裁剪图片；
size：所需裁剪图片尺寸；

看一个例子，如下左图为一张 $224 * 224$ 的图片，对图片进行 $196 * 196$ 的centercrop，图片从中心点开始计算，左右宽196，上下高196的一个裁剪区域，就得到到右边的图片。下面从代码中学习centercrop。

transforms方法的演示还是采用人民币二分类训练的主代码，这里我们只关心数据模块以及训练模块中取出数据那一部分，看一下代码的结构。

import os
import numpy as np
import torch
import random
from torch.utils.data import DataLoader
import torchvision.transforms as transforms
from tools.my_dataset import RMBDataset
from PIL import Image
from matplotlib import pyplot as plt


def set_seed(seed=1):
    random.seed(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)


set_seed(1)  # 设置随机种子

# 参数设置
MAX_EPOCH = 10
BATCH_SIZE = 1
LR = 0.01
log_interval = 10
val_interval = 1
rmb_label = {"1": 0, "100": 1}


def transform_invert(img_, transform_train):
    """
    将data 进行反transfrom操作
    :param img_: tensor
    :param transform_train: torchvision.transforms
    :return: PIL image
    """
    if 'Normalize' in str(transform_train):
        norm_transform = list(filter(lambda x: isinstance(x, transforms.Normalize), transform_train.transforms))
        mean = torch.tensor(norm_transform[0].mean, dtype=img_.dtype, device=img_.device)
        std = torch.tensor(norm_transform[0].std, dtype=img_.dtype, device=img_.device)
        img_.mul_(std[:, None, None]).add_(mean[:, None, None])

    img_ = img_.transpose(0, 2).transpose(0, 1)  # C*H*W --> H*W*C
    img_ = np.array(img_) * 255

    if img_.shape[2] == 3:
        img_ = Image.fromarray(img_.astype('uint8')).convert('RGB')
    elif img_.shape[2] == 1:
        img_ = Image.fromarray(img_.astype('uint8').squeeze())
    else:
        raise Exception("Invalid img shape, expected 1 or 3 in axis 2, but got {}!".format(img_.shape[2]) )

    return img_


# ============================ step 1/5 数据 ============================
split_dir = os.path.join("E:/pytorch/rmb_split")
train_dir = os.path.join(split_dir, "train")
valid_dir = os.path.join(split_dir, "valid")

norm_mean = [0.485, 0.456, 0.406]
norm_std = [0.229, 0.224, 0.225]


train_transform = transforms.Compose([
    transforms.Resize((224, 224)),

    # 1 CenterCrop
    # transforms.CenterCrop(512),     # 512

    # 2 RandomCrop
    # transforms.RandomCrop(224, padding=16),
    # transforms.RandomCrop(224, padding=(16, 64)),
    # transforms.RandomCrop(224, padding=16, fill=(255, 0, 0)),
    # transforms.RandomCrop(512, pad_if_needed=True),   # pad_if_needed=True
    # transforms.RandomCrop(224, padding=64, padding_mode='edge'),
    # transforms.RandomCrop(224, padding=64, padding_mode='reflect'),
    # transforms.RandomCrop(1024, padding=1024, padding_mode='symmetric'),

    # 3 RandomResizedCrop
    # transforms.RandomResizedCrop(size=224, scale=(0.5, 0.5)),

    # 4 FiveCrop
    # transforms.FiveCrop(112),
    # transforms.Lambda(lambda crops: torch.stack([(transforms.ToTensor()(crop)) for crop in crops])),

    # 5 TenCrop
    # transforms.TenCrop(112, vertical_flip=False),
    # transforms.Lambda(lambda crops: torch.stack([(transforms.ToTensor()(crop)) for crop in crops])),

    # 1 Horizontal Flip
    # transforms.RandomHorizontalFlip(p=1),

    # 2 Vertical Flip
    # transforms.RandomVerticalFlip(p=0.5),

    # 3 RandomRotation
    # transforms.RandomRotation(90),
    # transforms.RandomRotation((90), expand=True),
    # transforms.RandomRotation(30, center=(0, 0)),
    # transforms.RandomRotation(30, center=(0, 0), expand=True),   # expand only for center rotation

    transforms.ToTensor(),
    transforms.Normalize(norm_mean, norm_std),
])

valid_transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
    transforms.Normalize(norm_mean, norm_std)
])

# 构建MyDataset实例
train_data = RMBDataset(data_dir=train_dir, transform=train_transform)
valid_data = RMBDataset(data_dir=valid_dir, transform=valid_transform)

# 构建DataLoder
train_loader = DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)
valid_loader = DataLoader(dataset=valid_data, batch_size=BATCH_SIZE)


# ============================ step 5/5 训练 ============================
for epoch in range(MAX_EPOCH):
    for i, data in enumerate(train_loader):

        inputs, labels = data   # B C H W

        img_tensor = inputs[0, ...]     # C H W
        img = transform_invert(img_tensor, train_transform)
        plt.imshow(img)
        plt.show()
        plt.pause(0.5)
        plt.close()

        # bs, ncrops, c, h, w = inputs.shape
        # for n in range(ncrops):
        #     img_tensor = inputs[0, n, ...]  # C H W
        #     img = transform_invert(img_tensor, train_transform)
        #     plt.imshow(img)
        #     plt.show()
        #     plt.pause(1)

上面代码第五部分“训练”中有一个函数transform_invert()，这个函数是用来对transform进行逆操作，使得我们可以观察到模型输入的数据是长什么样的。因为数据经过transfrom，转换为张量的形式，可能是一些浮点的数据，没有办法将这些数据进行可视化，因此需要一个transform_invert()函数，对transform进行逆操作，将张量的数据变换成img，这样就可以进行可视化。

现在看一下transform_invert()函数中有什么操作。按ctrl键，鼠标左键点击该函数名就可以跳转到函数实现位置。

def transform_invert(img_, transform_train):
    """
    将data 进行反transfrom操作
    :param img_: tensor
    :param transform_train: torchvision.transforms
    :return: PIL image
    """

可以看到，这个函数接受一个img_和transform_train，返回PIL image，也就是可以直接plot将其格式化。

if 'Normalize' in str(transform_train):
    norm_transform = list(filter(lambda x: isinstance(x, transforms.Normalize), transform_train.transforms))
    mean = torch.tensor(norm_transform[0].mean, dtype=img_.dtype, device=img_.device)
    std = torch.tensor(norm_transform[0].std, dtype=img_.dtype, device=img_.device)
    img_.mul_(std[:, None, None]).add_(mean[:, None, None])

在这个函数中，对normalize进行反操作，normalize是减去均值除于方差，因此反操作就是乘于方差再加上均值。

img_ = img_.transpose(0, 2).transpose(0, 1)  # C*H*W --> H*W*C
img_ = np.array(img_) * 255

之后需要对通道进行变换，采用transpose，将通道的 $C * H * W$ 格式转换为 $H * W * C$ ，也就是将channel放到最后面，然后将0-1尺度上的数据转换到0-255。

if img_.shape[2] == 3:
    img_ = Image.fromarray(img_.astype('uint8')).convert('RGB')
elif img_.shape[2] == 1:
    img_ = Image.fromarray(img_.astype('uint8').squeeze())
else:
    raise Exception("Invalid img shape, expected 1 or 3 in axis 2, but got {}!".format(img_.shape[2]) )

return img_

最后是将np_array的形式转换成PIL image，这里的代码会针对channel是3通道还是1通道，分别转换成“RGB”彩色图像和灰度图像，最后返回图像就可以对图像进行plot，对图像进行可视化。

下面看代码中的transform.CenterCrop()函数，经过裁剪之后图像会变成什么样。首先在第五部分训练中设置断点，观察input是什么样的数据形式，如下图所示：
在这里插入图片描述
在transforms中，为了统一图片的尺寸，一开始会执行transforms.Resize((224,224))，把图片统一地缩放到 $224 * 224$ 的尺寸大小，然后执行transforms.CenterCrop(196)操作，裁剪出来一个196大小的图片。

对程序进行debug，代码停在之前打断点的位置，如下图所示。观察一下代码中data的形式。
在这里插入图片描述
将断点取消，点击step over功能键，到达代码img_tensor = inputs[0, …] 位置，点击console就会打开一个命令窗，如下图所示，这个命令窗的环境与当前代码调试的环境是完全一致的，可以在这个命令窗对变量进行更改或者查看。
在这里插入图片描述
现在查看inputs的形状，如下图，inputs的形状是一个[1,3,196,196]的形式。第一个维度是size，因为在代码开始设置了BATCH_SIZE=1，所以inputs中的第一个维度为1，代表BITCH_SIZE；第二个维度是channel，也就是通道，由于是rgb图像，通道的长度为3；第三维和第四位分别是图像的高和宽。
在这里插入图片描述
由于可视化图片是一个三通道的三维张量，所以需要对inputs进行操作，进行索引，索引出第一块区域，也就是接下来的一句代码“img_tensor = inputs[0, …]”，这段代码的意思是取四维张量中的第一个三维张量，这样就把四维张量变为三维张量了，其顺序为 $C * H * W$ 。将得到的三维张量img输入到函数transform_invert()函数中进行逆变换，就返回可以可视化的img，然后将img进行plt操作，得到裁剪图片如下所示：
在这里插入图片描述
这个图片就是 $196 * 196$ 尺寸大小的图片，由于代码中transforms.CenterCrop设定的size是196，小于transforms.Resize((224,224))的尺寸。假如设定的size为大于(224,224)的，那么代码是否能够正确执行？下面观察一下，把代码中的196改为512，代码如下所示：
在这里插入图片描述
修改代码之后，执行debug操作，代码并没有报错，输出图片为(512,512)大小的图片，对超出224的区域会自动填充为零的像素，也就是全黑的区域，如下所示：

2.2 transforms.RandomCrop

功能：从图片中随机裁剪出尺寸为size的图片（位置随机裁剪）；
size：所需裁剪图片尺寸；
padding：设置填充大小（有三种模式）；
- 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；
pad_if_need：若图像小于设定size，则填充；
padding_mode：填充模式，有4种模式；
- 1、constant：像素值由fill设定；
- 2、edge：像素值由图像边缘像素决定；
- 3、reflect：镜像填充，最后一个像素不镜像，eg：[1,2,3,4]->[3,2,1,2,3,4,3,2,]（由于最后一个像素不镜像，所以跳过1和4，分别从2和3开始进行镜像填充）；
- 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]（最后一个像素镜像，所以不会跳过1和4，分别从1和4开始进行镜像填充）；
fill：constant时，设置填充的像素值；

transforms.RandomCrop(size,
                      padding=None,
                      pad_if_needed=False,
                      fill=0,
                      padding_mode='constant')

下面通过代码观察RandomCrop是怎样对图像进行裁剪的。和前面一样，对图像进行统一的尺寸变换，缩放为（224,224）。

第一步，对上下左右均进行16像素的padding，图片如下所示，裁剪出来的图片左边和上边都有一块黑色的填充区域。为什么右边和下边没有呢？这是因为经过填充之后的图片的尺寸应该是224+16+16，比224大32个像素。在这个大的图片上进行（224,224）的随机选取，由于图像选取左上角的这一部分，所以右边和下边是没有黑色的填充区域的。
在这里插入图片描述
padding的第二种模型，分别对左右、上下设置不同的填充，其图片如下，可以看到左右的填充区域相比于上下是更小的。

可以看到填充的区域都是黑色，默认填充的像素是0，如果想设置的填充区域是红色，或者是其它的彩色图，就可以对fill这个参数进行设置，代码中对fill设置一个长度为3的tuple，3个元素分别对应的是rgb通道，设定第一个红色通道为255，其它两个通道为0，可以看一下其padding出来的颜色是红色的，如下所示。当然也可以设定其它自定义的颜色，这就是fill参数的使用。
在这里插入图片描述
接下来看一下pad_if_needed参数，当size大于图片尺寸的时候，pad_if_needed参数必须打开，否则会报错。可以看到在超出图片的范围全部填充上像素值为0的像素点，也就是黑色的。

观察参数padding_mode的几种模式，padding_mode默认采用constant模式，在采用constant的时候，采用fill参数去设置填充的像素点的像素值。接下里看padding_mode的第二种模式，padding_mode=‘edge’，这种模式是采用图片的边界值对图片进行填充，设置padding的值大一点，padding=64，以便于更好地观察填充的效果，其图片如下所示：
在这里插入图片描述
从上面这个图片可以看到，填充的区域是左边和上边，左边的每一个像素值，都是用图片的最边缘的像素点进行填充，上边也是。可以看一下下一张图片的效果，打开软件的debug功能区，使用run to sursor功能将代码运行到断点位置，代码如下图所示：
在这里插入图片描述
点击功能键三次，得到三张不同的暑促图片，得到的输出图片如下所示：

从图片中可以看到，填充区域都是采用边缘像素点的值进行填充的，这是padding_mode='edge’模型的作用。

接着看一下镜像模式，镜像模式像一个印钞机，其输出图片如下所示：
在这里插入图片描述
从图片可以看出，padding_mode='reflect’就是对图片进行镜像操作，填充区域是对原始图片的边缘区域进行镜像。padding_mode='symmetric’和padding_mode='reflect’功能相差不多，只是相差一个像素值点。

把代码修改一下，RandomCrop()函数的参数size=1024，padding=1024，观察更大区域上的镜像。
在这里插入图片描述
以上就是RandomCrop()函数的使用简介。

2.3 transforms.RandomResizedCrop

功能：随机大小、长宽比裁剪图片；
size：所需裁剪图片尺寸；
scale：随机裁剪面积比例，默认（0.08，1）
ratio：随机长宽比，默认（3/4，4/3）
interpolation：插值方法（裁剪出来的图片尺寸可能小于size，所以需要进行插值处理，插值方法有三种）
- PIL.Image.NEAREST
- PIL.Image.BILINEAR
- PIL.Image.BICUBIC

RandomResizedCrop(size,
                  scale=(0.08,1.0),
                  ratio=(3/4,4/3),
                  interpolation)

通过代码理解RandomResizedCrop()函数的操作，首先设置代码为

transforms.RandomResizedCrop(size=224, scale=(0.08, 0.1))

在这里插入图片描述
输出结果如上图所示，所得图片比原始图片小得多，这个比例是在(0.08,1)之间随机选取得到的，选取得到一个比例之后，再根据ratio长宽比设定图像的长和宽，裁剪得到一个图片。裁剪得到图片之后，再resize到设定的size大小尺寸。

修改代码如下所示，意思是采取一半的面积，然后再进行长宽比的缩放，得到图片如下所示。

 transforms.RandomResizedCrop(size=224, scale=(0.5, 0.5)),

在这里插入图片描述
这个图片保持了原始图片的50%的面积，可以根据需求设置scale参数值。

2.4 FiveCrop

功能：在图像的上下左右以及中心裁剪出尺寸为size的5张图片；

transforms.FiveCrop(size)

2.5 TenCrop

功能：在图像的上下左右以及中心裁剪出尺寸为size的5张图片，在这五张图片上进行水平或者垂直镜像获得10张图片；
size：所需裁剪图片尺寸大小；
vertical_flip：是否垂直翻转；

transforms.TenCrop(size,
                   vertical_flip=False)

下面通过代码学习这两个函数。看一下代码

transforms.FiveCrop(112),

由于FiveCrop()裁剪出来的是五张图片，返回的是一个tuple（元组），当尝试运行代码时，会报错，报错信息如下所示：
在这里插入图片描述
报错为：pic should be PIL Image or ndarray. Got <class ‘torch.Tensor’>。意思是pic这个参数应该是一个PIL Image或者是ndarray的，但是却得到了一个tuple。所以直接使用是不行的，需要对FiveCrop返回的tuple进行一定的操作，将tuple变换为张量的形式或者是PIL Image的形式。这里使用到Lambda方法，Lambda是匿名函数，可以对FiveCrop()的输出进行一系列的变换，使其输出可以变换为代码可以执行的数据格式。看一下lambda匿名函数的功能：

transforms.Lambda(lambda crops: torch.stack([(transforms.ToTensor()(crop)) for crop in crops])),

代码中冒号之前的是函数的输入，冒号之后的整个语句是函数的返回值。由于输入是一个tuple格式的数据，需要将tuple中每一张图片，将其拼接为张量的形式，所以代码中采用了torch.stack()的形式，在讲常量的操作的时候，stack是对张量在某一维度上进行拼接，这里采用默认维度，也就是第0个维度。stack()函数中传入的是一个list，代码中采用了python的列表解析式，列表生成器。它的功能是对参数crops进行for循环，每一次提取出一个元素crop，每一次对这个元素crops进行一些操作得到列表的元素。

crops是FiveCrop()函数输出的一个tuple，然后对tuple的每一个元素进行for循环，每一次取出一个crop，也就是一张图片，对每一张图片进行一个ToTensor()的操作，将其转换为张量的形式，将其变为list的一个元素。通过不断的循环，把五张图片都转为张量的形式，然后得到一个长度为5的list，把这个list放到stack()当中，stack()就把这个长度为5的list拼接成一个张量。这样，通过lambda()，就把tuple转为张量的形式，这样就可以输入到模型中。

点击运行之后还是会报错，报错如下：
在这里插入图片描述
由于图片的维度和代码不匹配，不能用原始方法可视化。因为得到的input不再是一个四维的张量，是一个五维的张量。这个五维张量的各个维度分别为batchs，ncrops，c，h，w，通过下面这个新的代码对每个crop进行可视化。

bs, ncrops, c, h, w = inputs.shape
for n in range(ncrops):
    img_tensor = inputs[0, n, ...]  # C H W
    img = transform_invert(img_tensor, train_transform)
    plt.imshow(img)
    plt.show()
    plt.pause(1)

设置断点，调试代码，打开命令输入窗，单击运行，得到一张图片的五维表示，代码要在五维张量中获取每一张图片，每一张图片应该是一个3维的张量，对ncrops进行循环，分别将五张图片进行可视化。看一下img_tensor的形状，通过命令输入窗，可以看到img_shape的形状为(3,112,112)，可以直接进行可视化。
在这里插入图片描述
其输出五张照片如下所示：

下面看一下TenCrop()函数的使用方法，它是在FiveCrop()函数的基础上进行翻转得到的十张图片。设置vertical_flip=True，也就是进行垂直的翻转

transforms.TenCrop(112, vertical_flip=True),
    transforms.Lambda(lambda crops: torch.stack([(transforms.ToTensor()(crop)) for crop in crops])),

3、transforms——翻转和旋转（flip and rotation）

3.1 transforms——Flip

3.1.1 RandomHorizontalFlip（水平）

3.1.2 RandomVerticalFlip（垂直）

功能：依概率水平（左右）或垂直（上下）翻转图片
P：翻转概率（即有多大的概率将图片进行翻转）

RandomHorizontalFlip(p=0.5)
RandomVerticalFlip(p=0.5)

3.2 transforms——Rotation

3.3 RandomRotation

功能：随机旋转图片；
degrees：旋转角度；
- 当为a时，在（-a，a）之间选择旋转角度；
- 当为（a，b）时，在（a，b）之间选择旋转角度；
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；

RandomRotation（degrees，
                resample=False,
                expand=False,
                center=None）

当使用expand扩大图片时，因为每张图片旋转的角度不同，最后得到的图片的大小是不一样的，最后拼接的时候可能出现报错的问题，所以在使用expand的时候，需要注意对图片进行缩放，将所有照片缩放到统一的尺寸。

然后就去远行吧

关注

5
点赞
踩
25

收藏

觉得还不错? 一键收藏
4
评论
pytorch —— transforms图像增强（一）

1、数据增强（data augmentation）数据增强又称为数据增广，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。在中学阶段就已经接触过数据增强的概念，看一个例子，高中的五年高考三年模拟，假设学生是一个模型，五年高考真题是一个训练集，当年高考题是一个验证集，用来验证学习模型的学习能力和效果。对于这个例子怎么做数据增强呢？就是对历年的高考题的知识点进行分析和提炼，...
复制链接

扫一扫