在Dataloader數據讀取之前，需要對圖片進行處理，這里展示了兩種在Dataset中對圖片隨機裁減的方法

首先我們有一批數據，我們需要對數據進行預處理，假設圖片的大小是隨機的，對于大于(3, 256, 256)的圖片，我們對他進行隨機的裁減，變為(3, 256, 256)，對于小于(3, 256, 256)的圖片，我們將其進行填充，最后我們將圖片進行保存（注意在模型訓練過程中是沒有這一步的，這里只是為了方便演示結果）

預處理的過程一般在Dataset的__getitem__()函數中進行修改

第一種

用PIL的Image庫進行裁減

from PIL import Image import randomim = Image.open("12300.jpg") # 圖片的寬度和高度 ww, hh = im.size print("圖片寬度和高度分別是", ww, hh)# 元組里的元素分別是： # 距離圖片左邊界距離x， 距離圖片上邊界距離y # 距離圖片左邊界距離+裁剪框寬度x+w，距離圖片上邊界距離+裁剪框高度y+h # 截取圖片中一塊寬是256和高是256的 patch_size = 256 www = random.randint(0, ww-patch_size) hhh = random.randint(0, hh-patch_size)# crop x = www y = hhh w = 256 h = 256 region = im.crop((x, y, x+w, y+h)) region.save("./12300restore.jpg")

第二種

讀取為tensor后進行裁減
Image.open得到的圖像經過torchvision.transforms.functional.to_tensor后為(c, h, w)類型

import torch import random from PIL import Image import torchvision.transforms.functional as TF from torchvision import utils as vutilsdef save_image_tensor(input_tensor: torch.Tensor, filename):"""將tensor保存為圖片:param input_tensor: 要保存的tensor:param filename: 保存的文件名"""# assert (len(input_tensor.shape) == 4 and input_tensor.shape[0] == 1)# 復制一份input_tensor = input_tensor.clone().detach()# 到cpuinput_tensor = input_tensor.to(torch.device('cpu'))# 反歸一化# input_tensor = unnormalize(input_tensor)vutils.save_image(input_tensor, filename)im = Image.open("12300.jpg") # 圖片的寬度和高度 ww, hh = im.size print("圖片寬度和高度分別是", ww, hh)# 轉化為tensor形式 patch_size = 256 im = TF.to_tensor(im)# 隨機crop hhh = random.randint(0, hh-patch_size) www = random.randint(0, ww-patch_size) im = im[:, hhh:hhh+patch_size, www:www+patch_size]save_image_tensor(im, "./aaaaa.jpg")

總結

以上是生活随笔為你收集整理的对图片进行裁减预处理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。