Pytorch-图片融合

1.alpha融合
from PIL import Image
img1 = Image.open( "bridge.png ")
img1 = img1.convert('RGBA')
img2 = Image.open( "birds.png ")
img2 = img2.convert('RGBA')
    
img = Image.blend(img1, img2, 0.3) # alphe=0.3
img.show()
img.save("blend.png")

img = img1*(1-0.3) + img2*0.3

2.用opencv里实现

from matplotlib import pyplot as plt
import pylab
img1 = cv2.imread('/root/group-dia/zxb/makeup_dataset/mix/60/output.jpg')
print img1.size
img2 = cv2.imread('/root/group-dia/zxb/makeup_dataset/mix/60/target.jpg')
img2 = np.resize(img2, (600, 600, 3))
print img2.size
res = cv2.addWeighted(img1, 0.7, img2, 0.3, 0)
plt.imshow(res, 'brg')
pylab.show()
note:当0.7和0.3都取1的时候,就是cv2.add()



### 如何在 PyTorch 中实现 Grad-CAM 可视化 为了实现在 PyTorch 中的 Grad-CAM 可视化,可以利用 `grad-cam` 库来简化这一过程。安装该库可以通过命令 `pip install grad-cam` 来完成[^1]。 下面是一个简单的例子,展示如何使用此库来进行 Grad-CAM 的可视化: ```python from PIL import Image import numpy as np import torch from torchvision import models, transforms from pytorch_grad_cam.utils.model_targets import ClassifierOutputTarget from pytorch_grad_cam.utils.image import show_cam_on_image from pytorch_grad_cam import GradCAM # 加载预训练模型 ResNet18 并设置为目标模型 model = models.resnet18(pretrained=True) target_layers = [model.layer4[-1]] # 初始化 Grad-CAM 对象 cam = GradCAM(model=model, target_layers=target_layers) # 图像预处理函数定义 transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), ]) # 打开并转换图像到张量形式 img_path = 'path_to_your_image.jpg' image = Image.open(img_path).convert('RGB') input_tensor = transform(image) input_tensor = input_tensor.unsqueeze(0) # 增加 batch 维度 # 获取预测结果以及对应的类别索引 output = model(input_tensor) _, predicted_idx = torch.max(output, 1) # 计算 Grad-CAM 特征图 grayscale_cam = cam(input_tensor=input_tensor, targets=[ClassifierOutputTarget(predicted_idx)]) # 将热力图叠加到原始图片上显示出来 rgb_img = np.float32(image.resize((224, 224)))/255 visualization = show_cam_on_image(rgb_img, grayscale_cam[0], use_rgb=True) Image.fromarray(np.uint8(visualization*255)).show() ``` 上述代码片段展示了如何加载一个预训练好的 ResNet18 模型,并通过给定的一张输入图片计算其 Grad-CAM 热力图,最后将热力图与原图融合在一起以便观察哪些区域对于分类决策更重要[^3]。 #### 注意事项 - 需要确保环境中已经正确配置好了 Python、PyTorch 和其他依赖项。 - 输入图片路径应替换为实际存在的文件位置。 - 如果想要尝试不同的神经网络架构,则需调整相应的层作为目标层(target layers)[^2]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值