批量图像处理，Transform变换满足你对深度学习图像变换的大部分需求，谁用谁说好

本代码融合了目前主流的图像变化方法，包括：0-镜像/mirror、1-旋转/rotate、2-缩放/resize、3-裁剪/crop、4-调整，自己根据需求添加其他变换方法。用一个transform函数实现图像的批量处理，添加用户交互功能，只需要输出对应的数字，剩下的交给程序，超级爽，妈妈再也不用担心我的训练集样本数不够了。

秉持着独乐乐不如众乐乐的精神分享出来，如果有帮助到你，希望能轻点大拇指，创作不易，万分感谢。

你需要做的仅仅是更改这段代码的路径，建议使用绝对路径，只要指定到文件夹就行：

需要说明的是To_path只要修改到“{}”之前的内容，不要删掉“{}”！！！这个是生成你保存路径的

# 仅仅需要改变输入和输出路径，路径下不要有中文!!! 直接运行就行,根据需求输入对应数字，全自动化批量处理，谁用谁说好
path = r"E:\Neural_net\Data\Datasets\Magnetic_leakage\pipe_tee"
To_path = r"E:\Neural_net\Data\Datasets\Magnetic_leakage\{}".format(transform) # 保存到对应的文件夹下

 完整代码如下： 

import os
import random
from tqdm import tqdm
from PIL import Image, ImageOps

def Transform(origin_path, target_path, transform_type):
    # 打开原始图像
    origin_img = Image.open(origin_path)
    width, height = origin_img.size

    # 根据 transform_type 执行不同的变换操作
    if transform_type == 'mirror':
        ImageOps.mirror(origin_img).save(target_path)
    elif transform_type == 'rotate':
        angle = 45
        ImageOps.exif_transpose(origin_img.rotate(angle)).save(target_path)
    elif transform_type == 'resize':
        new_size = (width // 2, height // 2) #变换图像大小
        ImageOps.fit(origin_img, new_size).save(target_path)
    elif transform_type == 'crop':
        crop_size = 640 # 指定裁剪大小
        x = random.randint(0, width - crop_size)  # 随机生成左侧裁剪线的 x 坐标
        y = random.randint(0, height - crop_size)  # 随机生成上方裁剪线的 y 坐标
        box = (x, y, x + crop_size, y + crop_size)  # 指定裁剪框坐标
        ImageOps.crop(origin_img, box).save(target_path)
    elif transform_type == 'adjust':
        brightness = 0.5
        contrast = 2.0
        ImageOps.autocontrast(ImageOps.adjust_brightness(origin_img, brightness), contrast).save(target_path)
    else:
        # 如果未输入正确的 transform_type，则默认使用镜像反转
        ImageOps.mirror(origin_img).save(target_path)

# 在主程序中获取用户选择的变换方式
transform_types = ["mirror", "rotate", "resize", "crop", "adjust"]
transform_type = input("请选择变换方式（0-镜像/mirror、1-旋转/rotate、2-缩放/resize、3-裁剪/crop、4-调整/adjust）：")
transform=transform_types[int(transform_type)]

# 仅仅需要改变输入和输出路径，路径下不要有中文!!! 直接运行就行,根据需求输入数字就行，全自动化批量处理，谁用谁说好
path = r"E:\Neural_net\Data\Datasets\Magnetic_leakage\pipe_tee"
To_path = r"E:\Neural_net\Data\Datasets\Magnetic_leakage\{}".format(transform) # 保存到对应的文件夹下

if not os.path.exists(To_path):  # 如果不存在保存文件夹，则创建
    os.mkdir(To_path)

# 使用 enumerate(os.listdir(path)) 代替手工计数器变量 i，避免出错或漏计
for i, file in enumerate(tqdm(os.listdir(path))):
    # 分割文件名和扩展名
    file_name, extension = os.path.splitext(file)
    target_file = f"{file_name}{i}{extension}"
    # os.path.join() 函数以跨平台兼容的方式构造出原始文件路径和目标文件路径
    origin_path = os.path.join(path, file)
    target_path = os.path.join(To_path, target_file)
    Transform(origin_path, target_path,transform)