最近再做关于COVID-19的CT图像判断,因为得到的CT图片数据集很少,在训练网络的术后准确度很低。但是又很难找到其他数据集。所以在训练网络的时候,我们很关注对图像的预处理操作,并使用了数据增强的方法。
import torchvision.transforms as transforms
import cv2
img_path = "./panda.jpg"
train_transformer = transforms.Compose([
transforms.ToPILImage(),
transforms.Resize(256),
# transforms.RandomResizedCrop(224,scale=(0.5,1.0)),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])
##numpy.ndarray
img = cv2.imread(img_path) # 读取图像
img1 = train_transformer(img)
输出:
(500, 800, 3)
torch.Size([3, 256, 409])
上面一段代码就是图像预处理的操作。以前在tensorflow的框架内处理起来很麻烦的数据,在这里就几句代码可以搞定了,很爽。大致讲解一下代码。
transforms.Compose函数就是将transforms组合在一起;而每一个transforms都有自己的功能。最终只要使用定义好的train_transformer 就可以按照循序处理transforms的要求的。上面的代码中:
transforms.ToPILImage()是转换数据格式,把数据转换为tensfroms格式。只有转换为tensfroms格式才能进行后面的处理。
transforms.Resize(256)是按照比例把图像最小的一个边长放缩到256,另一边按照相同比例放缩。
transforms.RandomResizedCrop(224,scale=(0.5,1.0))是把图像按照中心随机切割成224正方形大小的图片。
transforms.ToTensor() 转换为tensor格式,这个格式可以直接输入进神经网络了。
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])对像素值进行归一化处理。
还有很多其他的transforms处理方法,总结有四大类:
- 1 裁剪-Crop
中心裁剪:transforms.CenterCrop
随机裁剪:transforms.RandomCrop
随机长宽比裁剪:transforms.RandomResizedCrop
上下左右中心裁剪:transforms.FiveCrop
上下左右中心裁剪后翻转,transforms.TenCrop
- 2 翻转和旋转——Flip and Rotation
依概率p水平翻转:transforms.RandomHorizontalFlip(p=0.5)
依概率p垂直翻转:transforms.RandomVerticalFlip(p=0.5)
随机旋转:transforms.RandomRotation
- 3 图像变换
resize:transforms.Resize
标准化:transforms.Normalize
转为tensor,并归一化至[0-1]:transforms.ToTensor
填充:transforms.Pad
修改亮度、对比度和饱和度:transforms.ColorJitter
转灰度图:transforms.Grayscale
线性变换:transforms.LinearTransformation()
仿射变换:transforms.RandomAffine
依概率p转为灰度图:transforms.RandomGrayscale
将数据转换为PILImage:transforms.ToPILImage
transforms.Lambda:Apply a user-defined lambda as a transform.
- 4 对transforms操作,使数据增强更灵活
transforms.RandomChoice(transforms), 从给定的一系列transforms中选一个进行操作
transforms.RandomApply(transforms, p=0.5),给一个transform加上概率,依概率进行操作
transforms.RandomOrder,将transforms中的操作随机打乱
更详细的请参考此此篇文章:
PyTorch 学习笔记(三):transforms的二十二个方法blog.csdn.net![f141c7a631712e1ac7f4bddcff2165ce.png](https://img-blog.csdnimg.cn/img_convert/f141c7a631712e1ac7f4bddcff2165ce.png)