Luminosità, contrasto, saturazione e tonalità sono i fattori importanti di un'immagine che possono influenzarne l'aspetto. PyTorch fornisce il ' ColorJitter() ' per regolare in modo casuale la luminosità, il contrasto, la saturazione e la tonalità dell'immagine specifica. Gli utenti possono specificare l'intervallo di valori per ciascun parametro come tupla o valore singolo. Questo metodo restituisce un'immagine appena regolata con i fattori desiderati modificati casualmente dall'intervallo specificato.
Questo blog illustrerà il metodo per regolare la luminosità, il contrasto, la saturazione e la tonalità dell'immagine in PyTorch.
Come regolare in modo casuale la luminosità, il contrasto, la saturazione e la tonalità dell'immagine in PyTorch?
Per regolare in modo casuale la luminosità, il contrasto, la saturazione e la tonalità di un'immagine in PyTorch, seguire i passaggi elencati di seguito:
Passaggio 1: carica un'immagine su Google Colab
Innanzitutto, apri Google Colab e fai clic sulle icone evidenziate di seguito. Quindi, scegli l'immagine specifica dal computer e caricala:
Successivamente l'immagine verrà caricata su Google Colab:
Qui, abbiamo caricato la seguente immagine e ne regoleremo in modo casuale luminosità, contrasto, saturazione e tonalità:
Passaggio 2: importa la libreria necessaria
Successivamente, importa le librerie richieste. Ad esempio, abbiamo importato le seguenti librerie:
torcia di importazioneimportare torchvision.transforms COME trasforma
dall'immagine di importazione PIL
Qui:
-
- “ torcia di importazione ' importa la libreria PyTorch.
- “ importare torchvision.transforms come trasformazioni ' importa il modulo di trasformazione da torchvision che viene utilizzato per preelaborare i dati dell'immagine prima di inserirli in una rete neurale.
- “ dall'immagine di importazione PIL ' viene utilizzato per aprire e salvare diversi formati di file immagine:
Passaggio 3: leggere l'immagine di input
Successivamente, leggi l'immagine di input dal computer. Qui stiamo leggendo il “ fiori_img.jpg ' e memorizzandolo nel ' input_img 'variabile:
input_img = Immagine.open ( 'fiori_img.jpg' )
Passaggio 4: definire una trasformazione
Quindi, definisci una trasformazione per regolare la luminosità, il contrasto, la saturazione e la tonalità dell'immagine di input sopra. Qui abbiamo definito i seguenti valori per questi fattori:
trasformazione = trasforma.ColorJitter ( luminosità = 1.5 , contrasto = 1.2 , saturazione = 2 , tinta = 0,3 )
Passaggio 5: applica la trasformazione sull'immagine
Ora applica la trasformazione di cui sopra sull'immagine di input desiderata per regolare i fattori desiderati:
new_img = trasforma ( input_img )
Passaggio 6: visualizzare l'immagine modificata
Infine, visualizza l'immagine modificata visualizzandola:
new_img
L'output sopra mostra che la luminosità, il contrasto, la saturazione e la tonalità dell'immagine in ingresso sono stati regolati con successo con i fattori specificati.
Confronto
Il confronto tra l'immagine originale e l'immagine modificata può essere visto di seguito:
|
Immagine originale |
Immagine modificata |
Nota : puoi accedere al nostro Google Colab Notebook da qui collegamento .
Inoltre, puoi anche consultare gli articoli forniti sulla regolazione della luminosità, del contrasto, della saturazione e della tonalità di un'immagine:
Abbiamo spiegato in modo efficiente il metodo per regolare casualmente la luminosità, il contrasto, la saturazione e la tonalità dell'immagine in PyTorch.
Conclusione
Per regolare in modo casuale la luminosità, il contrasto, la saturazione e la tonalità dell'immagine in PyTorch, carica innanzitutto l'immagine desiderata su Google Colab. Quindi, importa le librerie richieste e leggi l'immagine di input. Successivamente, utilizzare il ' ColorJitter() ' Metodo per applicare trasformazioni casuali alla luminosità, alla saturazione, al contrasto e alla tonalità di un'immagine. Infine, visualizza l'immagine modificata visualizzandola. Questo blog ha illustrato il metodo per regolare la luminosità, il contrasto, la saturazione e la tonalità dell'immagine in PyTorch.