mindspore.dataset.vision.RandomCrop
- class mindspore.dataset.vision.RandomCrop(size, padding=None, pad_if_needed=False, fill_value=0, padding_mode=Border.CONSTANT)[源代码]
对输入图像进行随机区域的裁剪。如果输入图像尺寸小于输出尺寸,输入图像将在裁剪前被填充。
说明
如果在多个数据列上应用此处理,则需要确保每个数据列图像的shape相同。
- 参数:
size (Union[int, Sequence[int]]) - 裁剪图像的输出尺寸大小。值必须为正。 如果 size 是整数,则返回一个裁剪尺寸大小为 (size, size) 的正方形。 如果 size 是一个长度为 2 的序列,则以2个元素分别为高和宽放缩至(高度, 宽度)大小。
padding (Union[int, Sequence[int]], 可选) - 图像各边填充的像素数。填充值必须为非负值。默认值:
None
。 如果 padding 不为 None,则首先使用 padding 填充图像。 如果 padding 是一个整数,代表为图像的所有方向填充该值大小的像素。 如果 padding 是一个包含2个值的元组或列表,第一个值会用于填充图像的左侧和右侧,第二个值会用于填充图像的上侧和下侧。 如果 padding 是一个包含4个值的元组或列表,则分别填充图像的左侧、上侧、右侧和下侧。pad_if_needed (bool, 可选) - 如果输入图像高度或者宽度小于 size 指定的输出图像尺寸大小,是否进行填充。默认值:
False
。fill_value (Union[int, tuple[int]], 可选) - 边框的像素强度,仅当 padding_mode 为
Border.CONSTANT
时有效。 如果是3元素元组,则分别用于填充R、G、B通道。 如果是整数,则用于所有RGB通道。 fill_value 值必须在 [0, 255] 范围内。默认值:0
。padding_mode (
Border
, 可选) - 边界填充方式。它可以是Border.CONSTANT
、Border.EDGE
、Border.REFLECT
、Border.SYMMETRIC
。默认值:Border.CONSTANT
。Border.CONSTANT - 使用常量值进行填充。
Border.EDGE - 使用各边的边界像素值进行填充。
Border.REFLECT - 以各边的边界为轴进行镜像填充,忽略边界像素值。
Border.SYMMETRIC - 以各边的边界为轴进行对称填充,包括边界像素值。
- 异常:
TypeError - 如果 size 不是int或Sequence[int]类型。
TypeError - 如果 padding 不是int或Sequence[int]类型。
TypeError - 如果 pad_if_needed 不是bool类型。
TypeError - 如果 fill_value 不是int或tuple[int]类型。
TypeError - 如果 padding_mode 不是
mindspore.dataset.vision.Border
的类型。ValueError - 如果 size 不是正数。
ValueError - 如果 padding 为负数。
ValueError - 如果 fill_value 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
样例:
>>> import numpy as np >>> import mindspore.dataset as ds >>> import mindspore.dataset.vision as vision >>> from mindspore.dataset.vision import Border >>> >>> # Use the transform in dataset pipeline mode >>> random_crop_op = vision.RandomCrop(64, [16, 16, 16, 16], padding_mode=Border.EDGE) >>> transforms_list = [random_crop_op] >>> data = np.random.randint(0, 255, size=(1, 100, 100, 3)).astype(np.uint8) >>> numpy_slices_dataset = ds.NumpySlicesDataset(data, ["image"]) >>> 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 (64, 64, 3) uint8 >>> >>> # Use the transform in eager mode >>> data = np.random.randint(0, 255, size=(100, 100, 3)).astype(np.uint8) >>> output = vision.RandomCrop(8, [10, 10, 10, 10], padding_mode=Border.EDGE)(data) >>> print(output.shape, output.dtype) (8, 8, 3) uint8
- 教程样例: