一、图像变换

1、transforms.Pad

transforms.Pad是一个用于对图像边缘进行填充的数据转换操作。

参数：

• padding：设置填充大小。可以是单个整数，表示在上下左右四个方向上均填充相同数量的像素；也可以是一个包含两个整数的元组 (a, b)，表示在上下方向上填充 b 个像素，在左右方向上填充 a 个像素；还可以是一个包含四个整数的元组 (a, b, c, d)，分别表示在左、上、右、下四个方向上填充 a, b, c, d 个像素。
• padding_mode：填充模式，有四种模式可选：
  • 'constant'：使用常数填充，填充值由 fill 参数指定。
  • 'edge'：使用图像边缘像素进行填充。
  • 'reflect'：使用图像边缘像素的镜像进行填充。
  • 'symmetric'：使用图像边缘像素的对称像素进行填充。
• fill：当 padding_mode 为 'constant' 时，设置填充的像素值。可以是一个包含三个整数的元组 (R, G, B) 表示彩色图像的填充值，或者是一个整数表示灰度图像的填充值。
  使用transforms.Pad可以在图像的边缘进行填充，以增加图像的尺寸或保持图像的大小不变。

示例：

import torchvision.transforms as transforms
transform = transforms.Compose([
    transforms.Pad(padding=2, fill=(255, 0, 0), padding_mode='constant')
])
# 对图像进行填充
padded_image = transform(image)

在上面的示例中，transforms.Pad(padding=2, fill=(255, 0, 0), padding_mode='constant')将图像的边缘填充了2个像素，填充的像素值为红色 (255, 0, 0)。填充模式为 'constant'，表示使用常数填充。

注意：填充操作通常在图像预处理阶段使用，以确保所有图像具有相同的尺寸或符合模型的输入要求。填充后的图像尺寸会增加，因此在应用填充之前需要考虑好图像的尺寸和比例关系。

2、transforms.ColorJitter

transforms.ColorJitter是一个用于调整图像亮度、对比度、饱和度和色相的数据转换操作。

参数：

• brightness：亮度调整因子。可以是单个浮点数 a，表示在范围 [max(0, 1-a), 1+a] 中随机选择亮度调整因子；也可以是一个包含两个浮点数的元组 (a, b)，表示在范围 [a, b] 中选择亮度调整因子。
• contrast：对比度参数，与亮度调整因子的使用方式相同。
• saturation：饱和度参数，与亮度调整因子的使用方式相同。
• hue：色相参数。可以是单个浮点数 a，表示在范围 [-a, a] 中选择色相调整参数，注意 0 <= a <= 0.5；也可以是一个包含两个浮点数的元组 (a, b)，表示在范围 [a, b] 中选择色相调整参数，注意 -0.5 <= a <= b <= 0.5。
  使用transforms.ColorJitter可以对图像进行亮度、对比度、饱和度和色相的随机调整，增加图像的多样性。
  示例：

import torchvision.transforms as transforms
transform = transforms.Compose([
    transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1)
])
# 对图像进行颜色调整
adjusted_image = transform(image)

在上面的示例中，transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1)将图像的亮度、对比度、饱和度和色相进行了随机调整，亮度调整因子在范围 [0.8, 1.2] 内随机选择，对比度调整因子在范围 [0.8, 1.2] 内随机选择，饱和度调整因子在范围 [0.8, 1.2] 内随机选择，色相调整参数在范围 [-0.1, 0.1] 内随机选择。

注意：颜色调整操作通常在图像增强和数据增强阶段使用，以增加模型对不同光照、对比度和饱和度等条件的鲁棒性。调整后的图像将具有不同的颜色外观，可以增加数据集的多样性。

3、transforms.RandomGrayscale

transforms.RandomGrayscale和transforms.Grayscale都是用于将图像转换为灰度图的数据转换操作。

transforms.RandomGrayscale是一个随机操作，根据给定的概率将图像转换为灰度图。

• num_output_channels：输出通道数。可以是1或3。如果设置为1，则输出的灰度图像只有一个通道；如果设置为3，则输出的灰度图像会复制到三个通道，以便与彩色图像的通道数匹配。
• p：概率值，表示图像被转换为灰度图的概率。取值范围为0到1之间，例如，设置为0.1表示有10%的概率将图像转换为灰度图。
  使用transforms.RandomGrayscale可以在数据增强过程中以一定的概率将图像转换为灰度图，增加数据集的多样性。
  示例：

import torchvision.transforms as transforms
transform = transforms.Compose([
    transforms.RandomGrayscale(num_output_channels=1, p=0.5)
])
# 对图像进行随机灰度转换
grayscale_image = transform(image)

在上面的示例中，transforms.RandomGrayscale(num_output_channels=1, p=0.5)以50%的概率将图像转换为灰度图，输出的灰度图像只有一个通道。

4、transforms.Grayscale

transforms.Grayscale是一个确定性操作，将图像转换为灰度图。

• num_output_channels：输出通道数。可以是1或3。如果设置为1，则输出的灰度图像只有一个通道；如果设置为3，则输出的灰度图像会复制到三个通道，以便与彩色图像的通道数匹配。
  示例：

import torchvision.transforms as transforms
transform = transforms.Compose([
    transforms.Grayscale(num_output_channels=1)
])
# 将图像转换为灰度图
grayscale_image = transform(image)

在上面的示例中，transforms.Grayscale(num_output_channels=1)将图像转换为灰度图，输出的灰度图像只有一个通道。

注意：灰度图像只有一个通道，每个像素的值表示灰度级别。与彩色图像相比，灰度图像的信息量较少，但在某些场景中可以提供更加简洁和高效的特征表示。

5、transforms.RandomAffine

transforms.RandomAffine是一个用于对图像进行随机仿射变换的数据转换操作。

参数：

• degrees：旋转角度范围。可以是一个单个的浮点数 a，表示在范围 [-a, a] 内随机选择旋转角度；也可以是一个包含两个浮点数的元组 (a, b)，表示在范围 [a, b] 内随机选择旋转角度。
• translate：平移区间设置。可以是一个包含两个浮点数的元组 (a, b)，表示在宽度和高度维度上分别设置平移的区间。例如，如果设置为 (0.1, 0.1)，则图像在宽度维度上的平移区间为 [-img_width * 0.1, img_width * 0.1]，在高度维度上的平移区间为 [-img_height * 0.1, img_height * 0.1]。
• scale：缩放比例。可以是一个单个的浮点数 a，表示在范围 [1-a, 1+a] 内随机选择缩放比例；也可以是一个包含两个浮点数的元组 (a, b)，表示在范围 [1-a, 1+b] 内随机选择缩放比例。缩放比例是以图像面积为单位的。
• shear：错切角度范围。可以是一个单个的浮点数 a，表示在范围 [-a, a] 内随机选择错切角度；也可以是一个包含两个浮点数的元组 (a, b)，表示在范围 [a, b] 内随机选择错切角度。
• resample：是否使用重采样方法。默认为 False，表示不使用重采样方法，采用最近邻插值；如果设置为 True，则使用双线性插值进行重采样。
• fillcolor：填充颜色设置。可以是一个整数值，表示填充的颜色。
  使用transforms.RandomAffine可以对图像进行随机的仿射变换，包括旋转、平移、缩放、错切和翻转等操作，增加图像的多样性。
  示例：

import torchvision.transforms as transforms
transform = transforms.Compose([
    transforms.RandomAffine(degrees=10, translate=(0.1, 0.1), scale=(0.9, 1.1), shear=10)
])
# 对图像进行随机仿射变换
transformed_image = transform(image)

在上面的示例中，transforms.RandomAffine(degrees=10, translate=(0.1, 0.1), scale=(0.9, 1.1), shear=10)将对图像进行随机的仿射变换，旋转角度在范围 [-10, 10] 内随机选择，平移区间设置为 (0.1, 0.1)，缩放比例在范围 [0.9, 1.1] 内随机选择，错切角度在范围 [-10, 10] 内随机选择。

注意：仿射变换是二维的线性变换，由旋转、平移、缩放、错切和翻转等基本原子变换构成。通过对图像进行随机的仿射变换，可以增加数据集的多样性，提高模型的鲁棒性。

6、transforms.RandomErasing

transforms.RandomErasing是一个用于对图像进行随机遮挡的数据转换操作。

参数：

• p：执行该操作的概率。默认为0.5，表示有50%的概率执行该操作。
• scale：遮挡区域的面积范围。可以是一个包含两个浮点数的元组 (a, b)，表示遮挡区域的面积为原图面积的 [a, b] 之间的随机比例。
• ratio：遮挡区域的长宽比范围。可以是一个包含两个浮点数的元组 (a, b)，表示遮挡区域的长宽比为 [a, b] 之间的随机比例。
• value：设置遮挡区域的像素值。可以是一个整数或一个包含3个整数的元组 (R, G, B)，表示遮挡区域的像素值为指定的颜色；也可以是一个整数，表示遮挡区域为灰度图像，像素值为指定的灰度值。
• inplace：是否原地操作。默认为 False，表示返回一个新的遮挡后的图像；如果设置为 True，则在原图像上进行原地操作。
  使用transforms.RandomErasing可以在训练过程中随机遮挡图像的一部分，以增强模型对遮挡和噪声的鲁棒性。
  示例：

import torchvision.transforms as transforms
transform = transforms.Compose([
    transforms.RandomErasing(p=0.5, scale=(0.02, 0.33), ratio=(0.3, 3.3))
])
# 对图像进行随机遮挡
transformed_image = transform(image)

在上面的示例中，transforms.RandomErasing(p=0.5, scale=(0.02, 0.33), ratio=(0.3, 3.3))将以50%的概率对图像进行随机遮挡，遮挡区域的面积在原图面积的 [0.02, 0.33] 之间随机选择，遮挡区域的长宽比在 [0.3, 3.3] 之间随机选择。

注意：随机遮挡可以模拟真实世界中的遮挡和噪声情况，以增加数据集的多样性。这有助于提高模型的鲁棒性和泛化能力。

7、transforms.Lambda

transforms.Lambda是一个用于用户自定义lambda方法的数据转换操作。

参数：

• lambd：lambda匿名函数，用于定义自定义的数据转换操作。
  使用transforms.Lambda可以通过lambda表达式定义自己的数据转换操作。lambda表达式是一种匿名函数，可以在一行代码中定义简单的函数功能。
  示例：

import torchvision.transforms as transforms
# 定义一个lambda函数，将输入的图像进行裁剪
crop_lambda = transforms.Lambda(lambda x: x.crop((10, 10, 100, 100)))
# 使用lambda函数进行图像裁剪
transformed_image = crop_lambda(image)

在上面的示例中，transforms.Lambda(lambda x: x.crop((10, 10, 100, 100)))定义了一个lambda函数，该函数接受一个输入参数 x，并对其进行裁剪操作。然后，通过将图像 image 传递给 crop_lambda，可以使用lambda函数对图像进行裁剪。

注意：transforms.Lambda提供了一种灵活的方式来自定义数据转换操作，可以根据需求定义任何自己想要的函数功能。