mindspore.dataset.vision.Perspective
- class mindspore.dataset.vision.Perspective(start_points, end_points, interpolation=Inter.BILINEAR)[源代码]
对输入图像进行透视变换。
支持 Ascend 硬件加速,需要通过 .device("Ascend") 方式开启。
- 参数:
start_points (Sequence[Sequence[int, int]]) - 起始点坐标序列,包含四个两元素子序列,分别对应原图中四边形的 [左上、右上、右下、左下]。
end_points (Sequence[Sequence[int, int]]) - 目标点坐标序列,包含四个两元素子序列,分别对应目标图中四边形的 [左上、右上、右下、左下]。
interpolation (
Inter
,可选) - 图像插值方法。可选值详见mindspore.dataset.vision.Inter
。 默认值:Inter.BILINEAR
。 - Ascend模式:通过 .device("Ascend") 设定执行设备为 Ascend 时, 只支持 Inter.LINEAR 、 Inter.NEAREST 差值方法。
- 异常:
TypeError - 如果 start_points 不是Sequence[Sequence[int, int]]类型。
TypeError - 如果 end_points 不是Sequence[Sequence[int, int]]类型。
TypeError - 当 interpolation 的类型不为
mindspore.dataset.vision.Inter
。RuntimeError - 如果输入图像的形状不是 <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 >>> from mindspore.dataset.vision import Inter >>> >>> # Use the transform in dataset pipeline mode >>> start_points = [[0, 63], [63, 63], [63, 0], [0, 0]] >>> end_points = [[0, 32], [32, 32], [32, 0], [0, 0]] >>> transforms_list = [vision.Perspective(start_points, end_points, Inter.BILINEAR)] >>> # apply the transform to dataset through map function >>> 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 (100, 100, 3) uint8 >>> >>> # Use the transform in eager mode >>> start_points = [[0, 63], [63, 63], [63, 0], [0, 0]] >>> end_points = [[0, 32], [32, 32], [32, 0], [0, 0]] >>> data = np.random.randint(0, 255, size=(100, 100, 3)).astype(np.uint8) >>> output = vision.Perspective(start_points, end_points, Inter.BILINEAR)(data) >>> print(output.shape, output.dtype) (100, 100, 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,输入数据的维度限制为[6, 10]和[8192, 4096]之间。
当执行设备是 CPU 时,输入数据支持 uint8 、 float32 或者 float64 类型。
当执行设备是 Ascend 时,输入数据支持 uint8 和 float32 类型,输入数据的通道仅支持 1/3。输入数据的高度限制范围为[6, 8192]、宽度限制范围为[10, 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 >>> from mindspore.dataset.vision import Inter >>> >>> # 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"]) >>> start_points = [[0, 63], [63, 63], [63, 0], [0, 0]] >>> end_points = [[0, 32], [32, 32], [32, 0], [0, 0]] >>> perspective_op = vision.Perspective(start_points, end_points).device("Ascend") >>> transforms_list = [perspective_op] >>> 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 >>> start_points = [[0, 63], [63, 63], [63, 0], [0, 0]] >>> end_points = [[0, 32], [32, 32], [32, 0], [0, 0]] >>> data = np.random.randint(0, 255, size=(100, 100, 3)).astype(np.uint8) >>> output = vision.Perspective(start_points, end_points, Inter.BILINEAR).device("Ascend")(data) >>> print(output.shape, output.dtype) (100, 100, 3) uint8