pytorch 图像预处理 transforms 中的常用函数

transforms中的常用函数：

Resize（Scale 已废弃，由 Resize 替代）：实现图像的缩放（尺寸变换），通过按照比例缩放（放大、缩小）来得到想要的尺寸。
CenterCrop：以图片的中心往外裁剪一定 size 的图片；
RandomCrop：从随机位置开始裁剪图片；
RandomResizedCrop：将给定的 PIL 图像裁剪为随机大小和纵横比。（RandomSizedCrop 已废弃，由 RandomResizedCrop 取代）；
ToPILImage：将 PIL Image 或 numpy.ndarray 转换成 tensor 再转成 PIL Image；
ToTensor：将原始的 PILImage 格式或者 numpy.array 格式的数据格式化为可被 pytorch 快速处理的张量类型。
Normalize：提供一个所有通道的均值（mean） 和方差（std），会将原始数据进行归一化，操作的数据格式是 Tensor；

图像缩放 resize() 函数

在 python 中，经常需要对图像进行缩放等预处理操作，OpenCV 库提供了 resize() 函数来实现图像的缩放（尺寸变换）。

个人感觉，resize() 是对图像进行缩放不是裁剪，通过按照比例缩放（放大、缩小）来得到想要的尺寸，然后再送入 CNN 中进行后续的操作。

在 Python 中，图形通常是以向量的形式保存并进行处理的。每个图像都是由许多个像素点构成的，每个像素点都是一个 0~255 的数值，用于表示像素点的颜色信息。黑白图像（灰度图）是通过二维向量（高度$\times$宽度）来表示，彩色图像是通过三维向量（高度$\times$宽度$\times$通道数，通道数为3保存着各个像素红色 Red 、绿色 Green 和蓝色 Blue 的量化数值）来表示。
向量将图像分解成一个个像素，每个向量元素记录着各个像素点的颜色信息，所以这个向量表达的是图片色彩的分布，反过来也可以根据向量包含的信息渲染出对应的图片。

原始的图像是由像素点构成的，需要将图像转为向量（矩阵）的形式才能输入到后续的 CNN 网络中，为了便于后续网络的计算需要将转成的向量固定成指定的尺寸，所以要进行大小调整，也就是通过 resize() 操作来对原始的图像进行缩放处理装换成指定的尺寸。

经过测试发现：不管原始图像的分辨率和 dpi 的值是否相同，通过 Scale 或者 Resize 缩放到相同尺寸的操作后都会将图像的分辨率改成相应的大小，且 dpi 值也变成同一大小。

Reference：

【一文详解】图片与向量的关系
深度学习（5）数据处理-resize
利用OpenCV的函数resize()实现图像的缩放(尺寸变换)
Python中图像的缩放 resize（）函数的应用
用python Pillow库resize()方法进一步探究图像处理
图像数据处理