mindspore.dataset.vision.AutoContrast
- class mindspore.dataset.vision.AutoContrast(cutoff=0.0, ignore=None)[源代码]
在输入图像上应用自动对比度。首先计算图像的直方图,将直方图中最亮像素的值映射为255,将直方图中最暗像素的值映射为0。
支持 Ascend 硬件加速,需要通过 .device("Ascend") 方式开启。
- 参数:
cutoff (float, 可选) - 输入图像直方图中需要剔除的最亮和最暗像素的百分比。该值必须在 [0.0, 50.0) 范围内。默认值:
0.0
。ignore (Union[int, sequence], 可选) - 要忽略的背景像素值,忽略值必须在 [0, 255] 范围内。默认值:
None
。
- 异常:
TypeError - 如果 cutoff 不是float类型。
TypeError - 如果 ignore 不是int或sequence类型。
ValueError - 如果 cutoff 不在[0, 50.0) 范围内。
ValueError - 如果 ignore 不在[0, 255] 范围内。
RuntimeError - 如果输入图像的shape不是 <H, W> 或 <H, W, C>。
- 支持平台:
CPU
Ascend
样例:
>>> import numpy as np >>> import mindspore.dataset as ds >>> import mindspore.dataset.vision as vision >>> >>> # Use the transform in dataset pipeline mode >>> data = np.random.randint(0, 255, size=(1, 100, 100, 3)).astype(np.uint8) >>> numpy_slices_dataset = ds.NumpySlicesDataset(data, ["image"]) >>> transforms_list = [vision.AutoContrast(cutoff=10.0, ignore=[10, 20])] >>> numpy_slices_dataset = numpy_slices_dataset.map(operations=transforms_list, input_columns=["image"]) >>> for item in numpy_slices_dataset.create_dict_iterator(num_epochs=1, output_numpy=True): ... print(item["image"].shape, item["image"].dtype) ... break (100, 100, 3) uint8 >>> >>> # Use the transform in eager mode >>> data = np.array([[0, 1, 2, 3, 4, 5], [0, 1, 2, 3, 4, 5]], dtype=np.uint8).reshape((2, 2, 3)) >>> output = vision.AutoContrast(cutoff=10.0, ignore=[10, 20])(data) >>> print(output.shape, output.dtype) (2, 2, 3) uint8
- 教程样例:
- device(device_target='CPU')[源代码]
指定该变换执行的设备。
当执行设备是 Ascend 时,输入数据支持 uint8 或者 float32 类型,输入数据的通道仅支持1和3。如果数据类型是float32,期望输入的值的范围为[0,1]。输入数据的高度限制范围为[4, 8192]、宽度限制范围为[6, 4096]。
- 参数:
device_target (str, 可选) - 算子将在指定的设备上运行。当前支持
CPU
和Ascend
。默认值:CPU
。
- 异常:
TypeError - 当 device_target 的类型不为str。
ValueError - 当 device_target 的取值不为
CPU
/Ascend
。
- 支持平台:
CPU
Ascend
样例:
>>> import numpy as np >>> import mindspore.dataset as ds >>> import mindspore.dataset.vision as vision >>> >>> # Use the transform in dataset pipeline mode >>> data = np.random.randint(0, 255, size=(1, 100, 100, 3)).astype(np.uint8) >>> numpy_slices_dataset = ds.NumpySlicesDataset(data, ["image"]) >>> transforms_list = [vision.AutoContrast(cutoff=10.0, ignore=[10, 20]).device("Ascend")] >>> numpy_slices_dataset = numpy_slices_dataset.map(operations=transforms_list, input_columns=["image"]) >>> for item in numpy_slices_dataset.create_dict_iterator(num_epochs=1, output_numpy=True): ... print(item["image"].shape, item["image"].dtype) ... break (100, 100, 3) uint8 >>> >>> # Use the transform in eager mode >>> data = np.random.randint(0, 255, size=(100, 100, 3)).astype(np.uint8) >>> output = vision.AutoContrast(cutoff=10.0, ignore=[10, 20]).device("Ascend")(data) >>> print(output.shape, output.dtype) (100, 100, 3) uint8