图像预处理——transforms

一、transforms 运行机制

torchvision是PyTorch的一个扩展库，提供了许多计算机视觉相关的工具和功能。下面是关于torchvision中常用模块的介绍：

1. torchvision.transforms：提供了一系列常用的图像预处理方法，用于对图像进行变换、缩放、裁剪、旋转、翻转等操作。例如，ToTensor将PIL图像或numpy数组转换为Tensor，Normalize对图像进行标准化处理，RandomCrop随机裁剪图像等。
2. torchvision.datasets：包含了一些常用的数据集的dataset实现，方便用户加载和使用。例如，MNIST是一个手写数字数据集，CIFAR-10是一个包含10个类别的彩色图像数据集，ImageNet是一个大规模的图像数据集等。这些数据集可以方便地用于训练和评估模型。
3. torchvision.models：提供了一些常用的预训练模型，可以用于图像分类、目标检测、图像分割等任务。这些模型包括了经典的网络结构，如AlexNet、VGG、ResNet、GoogLeNet等。用户可以通过加载预训练模型，快速搭建和使用这些模型。
4. torchvision.utils：提供了一些辅助函数和工具，用于计算机视觉任务中的常见操作。例如，make_grid可以将多张图像拼接成一个网格显示，save_image可以将Tensor保存为图像文件，draw_bounding_boxes可以在图像上绘制边界框等。

---

torchvision.transforms

torchvision.transforms模块提供了一系列常用的图像预处理方法，用于对图像进行各种变换和操作。以下是一些常用的图像预处理方法：

1. 数据中心化（Data normalization）：
   • Normalize(mean, std)：对图像进行均值和标准差的归一化处理。
2. 数据标准化（Data standardization）：
   • ToTensor()：将PIL图像或numpy数组转换为Tensor，并将像素值缩放到[0, 1]范围内。
3. 缩放（Resizing）：
   • Resize(size)：将图像的大小调整为指定的尺寸。
   • RandomResizedCrop(size, scale=(0.08, 1.0), ratio=(0.75, 1.333))：随机裁剪并缩放图像到指定的尺寸。
4. 裁剪（Cropping）：
   • CenterCrop(size)：从图像的中心裁剪出指定大小的区域。
   • RandomCrop(size)：随机裁剪图像的一部分。
5. 旋转（Rotation）：
   • RandomRotation(degrees)：随机旋转图像一定角度。
6. 翻转（Flipping）：
   • RandomHorizontalFlip(p=0.5)：以给定的概率随机水平翻转图像。
   • RandomVerticalFlip(p=0.5)：以给定的概率随机垂直翻转图像。
7. 填充（Padding）：
   • Pad(padding)：在图像周围填充指定数量的像素。
8. 噪声添加（Noise adding）：
   • RandomNoise()：向图像中添加随机噪声。
9. 灰度变换（Grayscale transformation）：
   • Grayscale(num_output_channels=1)：将图像转换为灰度图像。
10. 线性变换（Linear transformation）：
    • RandomAffine(degrees, translate=None, scale=None, shear=None)：随机仿射变换图像。
11. 亮度、饱和度及对比度变换（Brightness, saturation, and contrast transformation）：
    • AdjustBrightness(brightness_factor)：调整图像的亮度。
    • AdjustSaturation(saturation_factor)：调整图像的饱和度。
    • AdjustContrast(contrast_factor)：调整图像的对比度。
      这些方法可以根据需要组合使用，以实现对图像进行预处理和增强的目的。

transforms.Normalize

功能：逐channel的对图像进行标准化

output = (input - mean) / std

• mean：各通道的均值
• std：各通道的标准差
• inplace：是否原地操作

transforms.Normalize(mean, std, inplace=False)是torchvision.transforms模块中的一个图像预处理方法，用于对图像进行数据中心化（data normalization）的操作。
参数说明：

• mean：用于数据中心化的均值，可以是一个标量或一个长度为图像通道数的列表/元组。如果图像是灰度图像，只需要提供一个标量；如果图像是彩色图像，需要提供每个通道的均值。
• std：用于数据中心化的标准差，可以是一个标量或一个长度为图像通道数的列表/元组。如果图像是灰度图像，只需要提供一个标量；如果图像是彩色图像，需要提供每个通道的标准差。
• inplace：是否原地操作，默认为False。如果设置为True，则会直接修改输入的Tensor，否则会返回一个新的Tensor。
  数据中心化（data normalization）是一种常用的图像预处理操作，通过将图像的每个像素减去均值并除以标准差，将图像的像素值归一化到均值为0、标准差为1的范围内。这样做的目的是消除不同图像之间的亮度差异，使得图像在训练过程中更容易收敛。
  使用示例：

import torchvision.transforms as transforms
# 定义均值和标准差
mean = [0.5, 0.5, 0.5]  # RGB图像的均值
std = [0.5, 0.5, 0.5]  # RGB图像的标准差
# 定义Normalize变换
normalize = transforms.Normalize(mean=mean, std=std)
# 对图像进行数据中心化
normalized_image = normalize(image)

上述示例中，mean和std分别表示RGB图像的均值和标准差。normalize是一个Normalize对象，可以将其应用于图像数据，实现数据中心化的操作。最终得到的norma