mindspore.dataset.vision.py_transforms.RandomAffine

class mindspore.dataset.vision.py_transforms.RandomAffine(degrees, translate=None, scale=None, shear=None, resample=Inter.NEAREST, fill_value=0)[源代码]

对输入PIL图像进行随机仿射变换。

参数：

  • degrees (Union[float, Sequence[float, float]]) - 旋转角度的随机选取范围，单位为度。若输入float，将从(- degrees , degrees )中随机生成旋转角度；若输入Sequence[float, float]，需按(min, max)顺序排列。

  • translate (Sequence[float, float]，可选) - 水平与垂直平移比例的随机选取范围，按照(tx, ty)顺序排列，水平与垂直平移的距离将分别从(-tx * width, tx * width)与(-ty * height, ty * height)中随机生成，默认值：None，表示不平移。

  • scale (Sequence[float, float]，可选) - 放缩比例的随机选取范围，默认值：None，表示不进行放缩。

  • shear (Union[float, Sequence[float, float], Sequence[float, float, float, float]]，可选) - 剪切角度的随机选取范围，单位为度。若输入float，将进行X轴剪切，剪切角度从(- shear , shear )中随机生成；若输入Sequence[float, float]，将进行X轴剪切，剪切角度从( shear [0], shear [1])中随机生成；若输入Sequence[int, int, int, int]，将分别进行X轴和Y轴剪切，剪切角度分别从( shear [0], shear [1])和( shear [2], shear [3])中随机生成。默认值：None，表示不进行剪切。

  • resample (Inter，可选) - 插值方式，取值可为 Inter.BILINEAR、Inter.NEAREST 或 Inter.BICUBIC。若输入的PIL图像模式为”1”或”P”，将直接使用 Inter.NEAREST 作为插值方式。默认值：Inter.NEAREST。

    • Inter.BILINEAR：双线性插值。

    • Inter.NEAREST：最近邻插值。

    • Inter.BICUBIC：双三次插值。

  • fill_value (Union[int, tuple[int, int, int]]，可选) - 变换图像之外区域的像素填充值。若输入int，将以该值填充RGB通道；若输入tuple[int, int, int]，将分别用于填充R、G、B通道。仅支持Pillow 5.0.0以上版本。默认值：0。

异常：

  • TypeError - 当 degrees 的类型不为float或Sequence[float, float]。

  • TypeError - 当 translate 的类型不为Sequence[float, float]。

  • TypeError - 当 scale 的类型不为Sequence[float, float]。

  • TypeError - 当 shear 的类型不为float或Sequence[float, float]。

  • TypeError - 当 resample 的类型不为 mindspore.dataset.vision.Inter 。

  • TypeError - 当 fill_value 的类型不为int或tuple[int, int, int]。

  • ValueError - 当 degrees 为负数。

  • ValueError - 当 translate 取值不在[-1.0, 1.0]范围内。

  • ValueError - 当 scale 为负数。

  • ValueError - 当 shear 不为正数。

  • RuntimeError - 当输入图像的shape不为<H, W>或<H, W, C>。

支持平台：

CPU

样例：

>>> from mindspore.dataset.transforms.py_transforms import Compose
>>>
>>> transforms_list = Compose([py_vision.Decode(),
...                            py_vision.RandomAffine(degrees=15, translate=(0.1, 0.1), scale=(0.9, 1.1)),
...                            py_vision.ToTensor()])
>>> # apply the transform to dataset through map function
>>> image_folder_dataset = image_folder_dataset.map(operations=transforms_list,
...                                                 input_columns="image")