mindspore.dataset.vision.GaussianBlur

class mindspore.dataset.vision.GaussianBlur(kernel_size, sigma=None)[源代码]

使用指定的高斯核对输入图像进行模糊处理。

支持 Ascend 硬件加速，需要通过 .device("Ascend") 方式开启。

参数：

kernel_size (Union[int, Sequence[int, int]]) - 高斯核的大小。需为正奇数。若输入类型为int，将同时使用该值作为高斯核的宽、高。若输入类型为Sequence[int, int]，将分别使用这两个元素作为高斯核的宽、高。
sigma (Union[float, Sequence[float, float]], 可选) - 高斯核的标准差。需为正数。若输入类型为float，将同时使用该值作为高斯核宽、高的标准差。若输入类型为Sequence[float, float]，将分别使用这两个元素作为高斯核宽、高的标准差。默认值： None ，将通过公式 \(((kernel\_size - 1) * 0.5 - 1) * 0.3 + 0.8\) 计算得到高斯核的标准差。

异常：

TypeError - 如果 kernel_size 不是int或Sequence[int]类型。
TypeError - 如果 sigma 不是float或Sequence[float]类型。
ValueError - 如果 kernel_size 不是正数和奇数。
ValueError - 如果 sigma 不是正数。
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.GaussianBlur(3, 3)]
>>> 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.GaussianBlur(3, 3)(data)
>>> print(output.shape, output.dtype)
(2, 2, 3) uint8

教程样例：

视觉变换样例库

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，参数 kernel_size 仅支持取值1、3、5。输入数据的维度限制为[4, 6]和[8192, 4096]之间。

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"])
>>> blur_op = vision.GaussianBlur(3, 3).device("Ascend")
>>> transforms_list = [blur_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
>>> data = np.random.randint(0, 255, size=(100, 100, 3)).astype(np.uint8)
>>> output = vision.GaussianBlur(3, 3).device("Ascend")(data)
>>> print(output.shape, output.dtype)
(100, 100, 3) uint8