PyTorch | torchvision.transforms 常用方法详解

\qquad torchvision.transforms是 pytorch中的图像预处理包。一般用 Compose把多个步骤整合到一起。 Compose会将 transforms列表里面的 transform操作进行遍历。

class torchvision.transforms.Compose(transforms):
	# Composes several transforms together.
	# Parameters: transforms (list of Transform objects) – list of transforms to compose.

\qquad 使用transform操作之前需要导包：

import torchvision.transforms as transforms

\qquad 本文对transforms中的各个预处理方法进行介绍和总结。官方文档只是将方法陈列，没有归纳总结，顺序很乱，这里总结一共有四大类，方便大家索引：

1. 裁剪（Crop）
   （1）随机裁剪：transforms.RandomCrop
   （2）中心裁剪：transforms.CenterCrop
   （3）随机长宽比裁剪：transforms.RandomResizedCrop
   （4）上下左右中心裁剪：transforms.FiveCrop
   （5）上下左右中心裁剪后翻转：transforms.TenCrop
2. 翻转和旋转（Flip and Rotation）
   （1）依概率$p$水平翻转：transforms.RandomHorizontalFlip(p=0.5)
   （2）依概率$p$垂直翻转：transforms.RandomVerticalFlip(p=0.5)
   （3）随机旋转：transforms.RandomRotation
3. 图像变换（resize）
   （1）调整PILImage对象的尺寸：transforms.Resize
   （2）标准化：transforms.Normalize
   （3）转为tensor，并归一化至[0-1]：transforms.ToTensor
   （4）填充：transforms.Pad
   （5）修改亮度、对比度和饱和度：transforms.ColorJitter
   （6）转灰度图：transforms.Grayscale
   （7）线性变换：transforms.LinearTransformation
   （8）仿射变换：transforms.RandomAffine
   （9）依概率p转为灰度图：transforms.RandomGrayscale
   （10）将数据转换为PILImage：transforms.ToPILImage
   （11）自定义自己的transform策略：transforms.Lambda
4. 对transforms操作，使数据增强更灵活
   （1）从给定的一系列transforms中选一个进行操作：transforms.RandomChoice(transforms)
   （2）给一个transforms加上概率，依概率进行操作：transforms.RandomApply(transforms, p=0.5)
   （3）将transforms中的操作随机打乱：transforms.RandomOrder

一、裁剪（Crop）

1.1 transforms.RandomCrop

# 功能:从图片中随机裁剪出尺寸为size的图片
torchvision.transforms.RandomCrop(size,padding=None,pad_if_need=False,fill=0,padding_mode='constant')

• $size$：所需裁剪图片尺寸，数据类型为sequence或int，若为sequence，则为(h,w)，若为int，则(size,size)。
• $padding$：设置填充大小，默认值为None，即无填充。
  • 当为a时上下左右均填充a个像素。
  • 当为(a, b)时，左右填充a个像素，上下填充b个像素。
  • 当为(a, b, c, d)时，左、上、右、下分别填充a,b,c,d。
• $pad\_if\_need$：当图像小于设定size时，是否填充，若为False则可能引发异常。由于是在填充完成之后完成裁剪操作，因此会对填充后的图像进行随机裁剪。
• $fill$：当 $padding\_mode$ 设置为 $constant$ 时，设置填充的像素值。若传入数值，各通道均填充该值，默认值是 $0$；若传入长度为 $3$ 的元组时，分别表示RGB三通道需要填充的值。
• $padding\_mode$：填充模式，有4种模式，默认为constant。
  • $constant$：填充像素值由$fill$设定。
  • $edge$：填充像素值由图像边缘像素决定。
  • $reflect$：镜像填充，最后一个像素不镜像，eg：[1, 2, 3, 4] -->[ 3, 2, 1, 2, 3, 4, 3, 2]（2个像素填充）
  • $symmetric$：镜像填充，最后一个像素镜像。eg：[1, 2, 3, 4] -->[ 2, 1, 1, 2, 3, 4, 4, 3]（2个像素填充）

1.2 transforms.CenterCrop

# 功能：依据给定的size从中心裁剪
torchvision.transforms.CenterCrop(size)

• $size$：所需裁剪图片尺寸，数据类型为sequence或int，若为sequence，则为(h,w)，若为int，则(size,size)。

1.3 transforms.RandomResizedCrop

# 功能：按照随机大小、随机宽高比裁剪图片
torchvision.transforms.RandomResizedCrop(size, scale=(0.08, 1.0), ratio=(0.75, 1.3333333333333333), interpolation=2)

• $size$：所需裁剪图片尺寸，数据类型为sequence或int，若为sequence，则为(h,w)，若为int，则(size,size)。
• $scale$：随机裁剪面积比例，默认为原始图像的0.08到1.0倍。
• $ratio$：随机长宽比，默认为3/4到4/3倍。
• $interpolation$：插值方法，默认为双线性插值PIL.Image.BILINEAR。
  • PIL.Image.NEAREST \qquad 1
  • PIL.Image.BILINEAR \qquad 2
  • PIL.Image.BICUBIC \qquad 3
  • PIL.Image.LANCZOS \qquad 4

1.4 transforms.FiveCrop

# 功能：在图像的上下左右及中心裁剪出尺寸为size的图片，获得5张图片，返回一个4D-tensor
torchvision.transforms.FiveCrop(size)

• $size$：所需裁剪图片尺寸，数据类型为sequence或int，若为sequence，则为(h,w)，若为int，则(size,size)。

1.5 transforms.TenCrop

# 功能：对图片进行上下左右以及中心裁剪出尺寸为size的图片，然后全部翻转（水平或者垂直），获得10张图片，返回一个4D-tensor
torchvision.transforms.TenCrop(size, vertical_flip=False)

• $size$：所需裁剪图片尺寸，数据类型为sequence或int，若为sequence，则为(h,w)，若为int，则(size,size)。
• $vertical\_flip$：是否垂直翻转，默认为False，即默认为水平翻转。

二、翻转和旋转（Flip and Rotation）

2.1 依概率 p 水平翻转

# 功能：依据概率p对PIL图片进行水平翻转
torchvision.transforms.RandomHorizontalFlip(p=0.5)

• $p$：图像被翻转的概率，默认值为0.5。

2.2 依概率 p 垂直翻转

# 功能：依据概率p对PIL图片进行垂直翻转
torchvision.transforms.RandomVerticalFlip(p=0.5)

• $p$：图像被翻转的概率，默认值为0.5。

2.3 随机旋转：

# 功能：按照degrees随机旋转一定角度
torchvision.transforms.RandomRotation(degrees, resample=False, expand=False, center=None, fill=None)

• $degrees$：要旋转的角度范围。数据类型为sequence或int/float，若为sequence，则范围为(min,max)，若为int/float，则范围为(size,size)。
• $resample$：可选的重采样过滤器。如果省略，或者图像具有模式“1”或“P”，则将其设置为PIL.Image.NEAREST。
  • PIL.Image.NEAREST \qquad 1
  • PIL.Image.BILINEAR \qquad 2
  • PIL.Image.BICUBIC \qquad 3
  • PIL.Image.LANCZOS \qquad 4
• $expand$：可选的扩展标志。如果为true，则展开输出以使其足够大以容纳整个旋转图像。如果为false或省略，则使输出图像与输入图像的大小相同。请注意，扩展标志假定围绕中心旋转而不进行平移。
• $center$：可选的旋转中心坐标(x,y)，原点是图片左上角，默认值是图像的中心。
• $fill$：用于填充在旋转图片之外的像素点的像素值。若传入数值，各通道均填充该值，默认值是 $0$；若传入长度为 $3$ 的元组时，分别表示RGB三通道需要填充的值。

三、图像变换（resize）

3.1 transforms.Resize

# 功能：调整PILImage对象的尺寸
torchvision.transforms.Resize(size, interpolation=2)

• $size$：所需裁剪图片尺寸，数据类型为sequence或int，若为sequence，则为(h,w)，若为int，则(size,size)。
• $interpolation$：插值方法，默认为双线性插值PIL.Image.BILINEAR。
  • PIL.Image.NEAREST \qquad 1
  • PIL.Image.BILINEAR \qquad 2
  • PIL.Image.BICUBIC \qquad 3
  • PIL.Image.LANCZOS \qquad 4

3.2 transforms.Normalize

# 功能：将数据转换为标准高斯分布，即逐个channel的对图像进行标准化（均值变为0，标准差变为1），可以加快模型的收敛。
#	对每个通道而言，Normalize执行以下操作：input[channel]=(input[channel]-mean[channel])/std[channel]
torchvision.transforms.Normalize(mean, std)

• $mean$：每个通道的均值序列。
• $std$：每个通道的标准偏差序列。

3.3 transforms.ToTensor

# 功能：将PIL或numpy（即cv2读取）格式，shape为(H,W,C)的图像转为shape为(C,H,W)的tensor，
#	同时将每一个[0,255]范围的数值除以255归一化到[0,1]范围
torchvision.transforms.ToTensor()

3.4 transforms.Pad

# 功能：使用给定的“pad”值在所有面上填充给定的PIL图像
torchvision.transforms.Pad(padding, fill=0, padding_mode='constant')

• $padding$：设置填充大小，默认值为None，即无填充。
  • 当为a时上下左右均填充a个像素。
  • 当为(a, b)时，左右填充a个像素，上下填充b个像素。
  • 当为(a, b, c, d)时，左、上、右、下分别填充a,b,c,d。
• $fill$：当 $padding\_mode$ 设置为 $constant$ 时，设置填充的像素值。若传入数值，各通道均填充该值，默认值是 $0$；若传入长度为 $3$ 的元组时，分别表示RGB三通道需要填充的值。
• $padding\_mode$：填充模式，有4种模式，默认为constant。
  • $constant$：填充像素值由$fill$设定。
  • $edge$：填充像素值由图像边缘像素决定。
  • $reflect$：镜像填充，最后一个像素不镜像，eg：[1, 2, 3, 4] -->[ 3, 2, 1, 2, 3, 4, 3, 2]（2个像素填充）
  • $symmetric$：镜像填充，最后一个像素镜像。eg：[1, 2, 3, 4] -->[ 2, 1, 1, 2, 3, 4, 4, 3]（2个像素填充）

3.5 transforms.ColorJitter

# 功能：随机改变图像的属性：亮度（brightness）、对比度（contrast）、饱和度（saturation）和色调（hue)
torchvision.transforms.ColorJitter(brightness=0, contrast=0, saturation=0, hue=0)

• $brightness$：将图像的亮度随机变化为原图亮度的[max(0, 1-brightness), 1+brightness]。
• $contrast$：将图像的对比度随机变化为原图对比度的[max(0, 1-contrast), 1+contrast]。
• $saturation$：将图像的饱和度随机变化为原图饱和度的[max(0, 1-saturation), 1+saturation]。
• $hue$：将图像的色调随机变化为原图色调的[max(0, 1-hue), 1+hue]。

3.6 transforms.Grayscale

# 功能：将图像转换为灰度图
torchvision.transforms.Grayscale(num_output_channels=1)

• $num\_output\_channels$：输出通道数只能设置为 $1$ 或 $3$，若num_output_channels=1则转换为单通道灰度图，若num_output_channels=3则返回三通道图像，且三通道数值相等。

3.7 transforms.LinearTransformation

# 功能：用一个预先准备好的变换方阵(transformation_matrix)对图片张量做变换。
#	首先将原图像Flatten为一维向量，然后将一维向量逐元素与向量元素平均值mean_vector相减，
#	然后将计算结果与transformation_matrix计算点积(dot product)，最后将shape转换成原始尺寸。
torchvision.transforms.LinearTransformation(transformation_matrix, mean_vector)

• $transformation\_matrix$：变换方阵，是一个shape为[D x D]的tensor，D = C x H x W。
• $mean\_vector$：平均值向量，是一个shape为[D]的tensor，D = C x H x W。

3.8 transforms.RandomAffine

# 功能：图像保持中心不变的随机仿射变换
torchvision.transforms.RandomAffine(degrees, translate=None, scale=None, shear=None, resample=False, fillcolor=0)

• $degrees$：要旋转的度数范围。如果degrees是一个数字而不是像(min,max)这样的序列，则度数范围将是(-degrees,+degrees)。设置为 $0$ 可停用旋转。
• $translate$（元组，可选） - 水平和垂直平移的最大绝对分数元组。例如translate =（a，b），然后在范围-img_width * a <dx <img_width * a中随机采样水平移位，并且在-img_height * b <dy <img_height * b范围内随机采样垂直移位。默认情况下不会翻译。
• $scale$（元组，可选） - 缩放因子间隔，例如（a，b），然后从范围a <= scale <= b中随机采样缩放。默认情况下会保持原始比例。
• $shear$（sequence 或float或int，optional） - 要选择的度数范围。如果degrees是一个数字而不是像（min，max）这样的序列，则度数范围将是（-degrees，+ degrees）。默认情况下不会应用剪切
• $resample$：可选的重采样过滤器。如果省略，或者图像具有模式“1”或“P”，则将其设置为PIL.Image.NEAREST。
  • PIL.Image.NEAREST
  • PIL.Image.BILINEAR
  • PIL.Image.BICUBIC
  • PIL.Image.LANCZOS
• $fillcolor$：用于填充在旋转图片之外的像素点的像素值。若传入数值，各通道均填充该值，默认值是 $0$；若传入长度为 $3$ 的元组时，分别表示RGB三通道需要填充的值。

3.9 transforms.RandomGrayscale

# 功能：以概率p(默认值0.1)随机转换输入图片为灰度图
torchvision.transforms.RandomGrayscale(p=0.1)

• $p$：图像被转换的概率，默认值为0.1。

3.10 transforms.ToPILImage

# 功能：将shape为(C,H,W)的Tensor或shape为(H,W,C)的numpy.ndarray转换成PIL.Image
torchvision.transforms.ToPILImage(mode=None)

• $mode$：若mode 是None（默认），则会对输入图片作一些假设：
  • 若输入图片有 $4$ 个channel，则mode被假定为RGBA。
  • 若输入图片有 $3$ 个channel，则mode被假定为RGB。
  • 若输入图片有 $2$ 个channel，则mode被假定为LA。
  • 若输入图片有 $1$ 个channel，则mode由数据类型决定（比如int,float,short）。

3.11 transforms.Lambda

# 功能：将用户自定义的lambda函数作为transform
torchvision.transforms.Lambda(lambd)

• $lambd$：用于转换的Lambda函数。

四、对 transforms 操作，使数据增强更灵活

4.1 transforms.RandomChoice

# 功能：从transforms（列表）中随机选择一个来使用
torchvision.transforms.RandomChoice(transforms)

• $transforms$：待选的转换列表。

4.2 transforms.RandomApply

# 功能：以概率p来决定是否使用transforms（列表）中的转换
torchvision.transforms.RandomApply(transforms, p=0.5)

• $transforms$：待选的转换列表。
• $p$：使用transforms（列表）的概率，默认值为0.5。

4.3 transforms.RandomOrder

# 功能：随机打乱transforms中的顺序
torchvision.transforms.RandomOrder(transforms)

• $transforms$：转换列表。