5． RandomRotation

此變換將圖像隨機(jī)旋轉(zhuǎn)一個角度。以度為單位的角度可以作為參數(shù)“degrees”的輸入。

transform ＝ transforms．Compose（［transforms．RandomRotation（degrees＝180）］）
tensor＿img ＝ transform（image）
tensor＿img

查看上述代碼的轉(zhuǎn)換！

旋轉(zhuǎn)圖像

6． Grayscale

此轉(zhuǎn)換將把原始RGB圖像更改為灰度（即黑白）。你可以提供你想要多少個通道作為參數(shù)“num＿output＿channels”的輸入。

transform ＝ transforms．Compose（［transforms．Grayscale（num＿output＿channels＝1）］）
tensor＿img ＝ transform（image）
tensor＿img

輸出如下所示。

7． GaussianBlur

在這里，圖像將被隨機(jī)選擇的高斯模糊所模糊。必須提供參數(shù)kernel＿size。

transform ＝ transforms．Compose（［transforms．GaussianBlur（kernel＿size＝501）］）
tensor＿img ＝ transform（image）
tensor＿img

8． RandomApply

此轉(zhuǎn)換將隨機(jī)應(yīng)用給定的轉(zhuǎn)換列表。

transform ＝ transforms．RandomApply（［transforms．RandomSizedCrop（200），transforms．RandomHorizontalFlip（）］，p＝0．6）
tensor＿img ＝ transform（image）

9． Compose

在本文中，我們一直在使用Compose（） 。為了清楚地定義它，它將幾個變換組合在一起。

transforms．Compose（［transforms．Grayscale（1），transforms．CenterCrop（10）， transforms．ToTensor（）］）

一些轉(zhuǎn)換將以所需格式處理數(shù)據(jù)。然而，對于圖像數(shù)據(jù)增強(qiáng)，則需要灰度、隨機(jī)水平翻轉(zhuǎn)和隨機(jī)旋轉(zhuǎn)等變換。

10． 函數(shù)變換

在我們學(xué)習(xí)到的所有變換中，你可以注意到參數(shù)是隨機(jī)生成的。這通常足以進(jìn)行數(shù)據(jù)擴(kuò)充。但是，有時(shí)你可能需要對轉(zhuǎn)換管道進(jìn)行更細(xì)粒度的控制。在這種情況下，可以使用函數(shù)變換。在這里，你可以指定或生成所有參數(shù)。一個附加的優(yōu)點(diǎn)是，一個特定定義的函數(shù)變換可以應(yīng)用于多個圖像。

可以從torchvision．transforms．functional訪問所有函數(shù)轉(zhuǎn)換。

現(xiàn)在讓我們深入了解PyTorch提供的不同功能轉(zhuǎn)換。

A） 調(diào)整亮度：adjust＿brightness

這主要是調(diào)整圖像的亮度。它以PyTorch張量的形式將圖像作為輸入。它還有一個重要參數(shù)“亮度系數(shù)”。這將表示如何實(shí)際更改亮度。

例如，如果值為1，則會得到與輸入相同的圖像。如果該值大于1，將獲得更亮的圖像。如果它小于1，你會得到一個更暗的圖像�？梢韵鄳�(yīng)地傳遞浮點(diǎn)值。返回的圖像將是張量或PIL圖像。

new＿img ＝ transforms．functional．a(chǎn)djust＿brightness（image，brightness＿factor＝2）
new＿img

B） 調(diào)整對比度：adjust＿contrast

上面我們看到了如何調(diào)整亮度，這里我們有另一個用于調(diào)整圖像對比度的變換。它需要兩個輸入?yún)��?shù)：張量形式的圖像和“對比度因子”。第二個參數(shù)將輸入一個浮點(diǎn)值，它將告訴你如何調(diào)整對比度。但不能是負(fù)的。

new＿img ＝ transforms．functional．a(chǎn)djust＿contrast（image，contrast＿factor＝3．8）
new＿img

C） 調(diào)整色調(diào)：adjust＿h(yuǎn)ue

色調(diào)是圖像的一個重要屬性。Pytorch允許你通過transforms．functional．a(chǎn)djust＿h(yuǎn)ue進(jìn)行調(diào)整。

想知道它是怎么工作的嗎？

首先，圖像將被轉(zhuǎn)換成HSV（色調(diào)，飽和度，值）形式。將根據(jù)我們的參數(shù)在H通道中進(jìn)行更改。更改后，圖像將轉(zhuǎn)換為其原始形式。重要的參數(shù)是“色調(diào)因子”。它可以是［－0．5．0．5］范圍內(nèi)的浮點(diǎn)值。嘗試實(shí)現(xiàn)下面的示例。

new＿img ＝ transforms．functional．a(chǎn)djust＿h(yuǎn)ue（image，hue＿factor＝0．3）
new＿img

D） 調(diào)整飽和度：adjust＿saturation

這是為了調(diào)整輸入圖像的顏色飽和度。與上述情況類似，我們有一個“飽和度系數(shù)”參數(shù)，它決定了飽和度的變化方式。這將輸入一個浮點(diǎn)值。如果將其設(shè)置為0，則會得到黑白圖像。

new＿img ＝ transforms．functional．a(chǎn)djust＿saturation（image，saturation＿factor＝6）

輸出如下圖所示！

E） 調(diào)整銳度：adjust＿sharpness

你可以通過此變換調(diào)整圖像的清晰度。它采用浮點(diǎn)值作為“銳度系數(shù)”參數(shù)的輸入。此值可以是除負(fù)值以外的任何值。

在下面的代碼中，我使用了10的銳度因子，這意味著變換后的圖像將是原始圖像的10倍銳度。

new＿img ＝ transforms．functional．a(chǎn)djust＿sharpness（image，sharpness＿factor＝10）

檢查輸出！

F） 均衡：equalize

這種變換將均衡圖像的直方圖。

怎么會這樣？

它將對輸入應(yīng)用非線性映射，從而在輸出中創(chuàng)建灰度值的均勻分布。

new＿img ＝ transforms．functional．equalize（image）

這些是一些重要的函數(shù)轉(zhuǎn)換，將有助于在圖像預(yù)處理階段。它們也可以組合使用。