Pytorch图像处理——读取、变换、归一化

图像的读取与大小变换

此部分需要导入的包：

import imageio  #imageio用来读取图像
from skimage.transform import resize  #resize更改图像尺寸大小
from matplotlib import pyplot as plt  #plt提供画图工具

首先，我们根据图片路径使用imageio包中的imread函数来读取图片：

image_path = './img/img3.jpeg'
img = imageio.imread(image_path)

此时，图像的输出为imgHeight × imgWidth × 3的数据，因为我们自己随意找的原生图像可能宽和高不同，所以这里以imgHeight和imgWidth来代替。

接下来，为了更直观地查看图片我们要用matlibplot包中的pyplot（plt）来画图：

fig = plt.figure()	#建立画布
a = fig.add_subplot(1, 2, 1)
plt.imshow(img)  #此处的img为上面直接读取的img
a.set_title("Before")

img = resize(img, (256, 256))	#这里将原生图像进行resize，变为256*256*3的形式
a = fig.add_subplot(1, 2, 2)
a.set_title("After")
plt.imshow(img)

plt.show()	#show出两幅图，before为原生图像，after为resize后的图像

效果图：

图像的归一化

此部分需要导入的包：

import imageio  #imageio用来读取图像
import torch  #torch包，主要用来生成tensor
from skimage.transform import resize  #resize更改图像尺寸大小
from matplotlib import pyplot as plt  #plt提供画图工具

第一步，我们也需要先读入图像，并对其进行resize操作，并建立画布：

# 读取图像
img = imageio.imread(image_path)
img = resize(img, (256, 256))	#resize
print("Before normalize: \n",img)

# 建立画布
fig = plt.figure()
a = fig.add_subplot(1, 2, 1)
plt.imshow(img)
a.set_title("Before")

接下来，我们需要对大小为256 × 256 × 3的图像进行归一化处理，其中包含两步操作：

1. 去均值
2. 除方差

假设我们得到的大量图像数据集，如Flick30，很多实验人员已经测出对结果影响比较好的图像均值与方差，所以我们可以借鉴经验：
这里假设我们的均值为：
mean=[0.485, 0.456, 0.406] （RGB）
这里假设我们的方差为：
std=[0.229, 0.224, 0.225] （RGB）

mean=[0.485, 0.456, 0.406]
std=[0.229, 0.224, 0.225]

#下面将img、mean、std的维度保持一致，且将其类型均转换为 FloatTensor 方便运算
img = torch.FloatTensor(img)
mean = torch.FloatTensor(256*[256*[mean]])
std = torch.FloatTensor(256*[256*[std]])

# img-mean：去均值 ， /std 除方差
img = (img - mean) / std

#下面是画图
print("After normalize: \n",img)
a = fig.add_subplot(1, 2, 2)
a.set_title("After")
plt.imshow(img)
plt.show()  #show出差异

效果图1：

• 我们可以看到，对于这张图片，在归一化操作后，所有像素值都会落在[-1，1]之间，但又由于plt可以显示的像素值范围分别是[0，255]（整数）、[0.，1]（浮点数），所以我们在After图中看到的白色部分，其实是经过归一化后出现的负值或0。
• 在深度学习训练的反向传播过程中，梯度下降法在反向传播的过程中，经实验证明，如果数据是经过归一化操作的，梯度收敛的速度会被加快~。

在这张图的对比中我们也可以看出，经过归一化的图，更突出了原图颜色突出的部分，而更忽略了色彩相对较淡的部分。

效果图2：

效果图3，归一化之前的部分图像数据：


效果图4，对应的归一化之后的部分图像数据：

有不足之处望指出！