Helligkeit, Kontrast, Sättigung und Farbton sind die wichtigen Faktoren eines Bildes, die sein Aussehen beeinflussen können. PyTorch bietet die „ ColorJitter() ”-Methode zum zufälligen Anpassen der Helligkeit, des Kontrasts, der Sättigung und des Farbtons des jeweiligen Bildes. Benutzer können den Wertebereich für jeden Parameter als Tupel oder als Einzelwert angeben. Diese Methode gibt ein neu angepasstes Bild mit zufällig geänderten gewünschten Faktoren aus dem angegebenen Bereich zurück.
In diesem Blog wird die Methode zum Anpassen von Helligkeit, Kontrast, Sättigung und Farbton des Bildes in PyTorch veranschaulicht.
Wie kann man Helligkeit, Kontrast, Sättigung und Farbton eines Bildes in PyTorch zufällig anpassen?
Um die Helligkeit, den Kontrast, die Sättigung und den Farbton eines Bildes in PyTorch zufällig anzupassen, führen Sie die folgenden Schritte aus:
Schritt 1: Laden Sie ein Bild auf Google Colab hoch
Öffnen Sie zunächst Google Colab und klicken Sie auf die unten hervorgehobenen Symbole. Wählen Sie dann das spezifische Bild vom Computer aus und laden Sie es hoch:
Anschließend wird das Bild auf Google Colab hochgeladen:
Hier haben wir das folgende Bild hochgeladen und werden dessen Helligkeit, Kontrast, Sättigung und Farbton nach dem Zufallsprinzip anpassen:
Schritt 2: Erforderliche Bibliothek importieren
Als nächstes importieren Sie die erforderlichen Bibliotheken. Beispielsweise haben wir die folgenden Bibliotheken importiert:
Taschenlampe importierenTorchvision.transforms importieren als verwandelt
aus PIL-Importbild
Hier:
-
- „ Taschenlampe importieren ” importiert die PyTorch-Bibliothek.
- „ importiere Torchvision.transforms als Transformationen „Importiert das Transformationsmodul von Torchvision, das zur Vorverarbeitung von Bilddaten verwendet wird, bevor sie in ein neuronales Netzwerk eingespeist werden.
- „ aus PIL-Importbild „wird zum Öffnen und Speichern verschiedener Bilddateiformate verwendet:
Schritt 3: Lesen Sie das Eingabebild
Lesen Sie anschließend das Eingabebild vom Computer. Hier lesen wir „ Flowers_img.jpg ” und speichern Sie es im „ input_img ” Variable:
input_img = Image.open ( 'flowers_img.jpg' )
Schritt 4: Definieren Sie eine Transformation
Definieren Sie dann eine Transformation, um die Helligkeit, den Kontrast, die Sättigung und den Farbton des obigen Eingabebilds anzupassen. Hier haben wir für diese Faktoren folgende Werte definiert:
transform = transforms.ColorJitter ( Helligkeit = 1.5 , Kontrast = 1.2 , Sättigung = 2 , Farbton = 0,3 )
Schritt 5: Wenden Sie die Transformation auf das Bild an
Wenden Sie nun die obige Transformation auf das gewünschte Eingabebild an, um die gewünschten Faktoren anzupassen:
new_img = transformieren ( input_img )
Schritt 6: Zeigen Sie das angepasste Bild an
Sehen Sie sich abschließend das angepasste Bild an, indem Sie es anzeigen:
new_img
Die obige Ausgabe zeigt, dass Helligkeit, Kontrast, Sättigung und Farbton des Eingabebildes erfolgreich mit den angegebenen Faktoren angepasst wurden.
Vergleich
Der Vergleich zwischen Originalbild und angepasstem Bild ist unten zu sehen:
|
Original Bild |
Angepasstes Bild |
Notiz : Hier können Sie auf unser Google Colab Notebook zugreifen Verknüpfung .
Darüber hinaus können Sie sich auch die bereitgestellten Artikel zum Anpassen von Helligkeit, Kontrast, Sättigung und Farbton eines Bildes ansehen:
Wir haben die Methode zur zufälligen Anpassung von Helligkeit, Kontrast, Sättigung und Farbton des Bildes in PyTorch ausführlich erklärt.
Abschluss
Um die Helligkeit, den Kontrast, die Sättigung und den Farbton des Bildes in PyTorch nach dem Zufallsprinzip anzupassen, laden Sie zunächst das gewünschte Bild auf Google Colab hoch. Importieren Sie dann die erforderlichen Bibliotheken und lesen Sie das Eingabebild. Verwenden Sie danach die Funktion „ ColorJitter() ”-Methode zum Anwenden zufälliger Transformationen auf Helligkeit, Sättigung, Kontrast und Farbton eines Bildes. Sehen Sie sich abschließend das angepasste Bild an, indem Sie es anzeigen. In diesem Blog wurde die Methode zum Anpassen von Helligkeit, Kontrast, Sättigung und Farbton des Bildes in PyTorch veranschaulicht.