mindspore.dataset.vision.RandomCropDecodeResize

class mindspore.dataset.vision.RandomCropDecodeResize(size, scale=(0.08, 1.0), ratio=(3.0 / 4.0, 4.0 / 3.0), interpolation=Inter.BILINEAR, max_attempts=10)[源代码]

“裁剪”、”解码”和”调整尺寸大小”的组合处理。该操作将在随机位置裁剪输入图像，以 RGB 模式对裁剪后的图像进行解码，并调整解码图像的尺寸大小。针对 JPEG 图像进行了优化, 可以获得更好的性能。

参数：

  • size (Union[int, Sequence[int]]) - 调整后图像的输出尺寸大小。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。

  • scale (Union[list, tuple], 可选) - 要裁剪的原始尺寸大小的各个尺寸的范围[min, max)，必须为非负数。默认值： (0.08, 1.0) 。

  • ratio (Union[list, tuple], 可选) - 宽高比的范围 [min, max) 裁剪，必须为非负数。默认值： (3. / 4., 4. / 3.)。

  • interpolation (Inter, 可选) - 图像插值方式。它可以是 Inter.BILINEAR 、 Inter.NEAREST 、 Inter.BICUBIC 、 Inter.AREA 、 Inter.PILCUBIC 。默认值： Inter.BILINEAR。

    • Inter.BILINEAR: 双线性插值。

    • Inter.NEAREST: 最近邻插值。

    • Inter.BICUBIC: 双三次插值。

    • Inter.AREA: 像素区域插值。

    • Inter.PILCUBIC: Pillow库中实现的双三次插值，输入需为3通道格式。

  • max_attempts (int, 可选) - 生成随机裁剪位置的最大尝试次数，超过该次数时将使用中心裁剪， max_attempts 值必须为正数。默认值： 10 。

异常：

  • TypeError - 如果 size 不是int或Sequence[int]类型。

  • TypeError - 如果 scale 不是tuple或list类型。

  • TypeError - 如果 ratio 不是tuple或list类型。

  • TypeError - 如果 interpolation 不是 mindspore.dataset.vision.Inter 的类型。

  • TypeError - 如果 max_attempts 不是int类型。

  • ValueError - 如果 size 不是正数。

  • ValueError - 如果 scale 为负数。

  • ValueError - 如果 ratio 为负数。

  • ValueError - 如果 max_attempts 不是正数。

  • RuntimeError - 如果输入图像不是一维序列。

支持平台：

CPU

样例：

>>> import mindspore.dataset as ds
>>> import mindspore.dataset.vision as vision
>>> from mindspore.dataset.vision import Inter
>>>
>>> resize_crop_decode_op = vision.RandomCropDecodeResize(size=(50, 75),
...                                                       scale=(0.25, 0.5),
...                                                       interpolation=Inter.NEAREST,
...                                                       max_attempts=5)
>>> transforms_list = [resize_crop_decode_op]
>>> image_folder_dataset = ds.ImageFolderDataset("/path/to/image_folder_dataset_directory")
>>> image_folder_dataset = image_folder_dataset.map(operations=transforms_list,
...                                                 input_columns=["image"])
教程样例：