使用cv和nlp完成图像的读取缩放旋转等……

本文涉及的产品
NLP自然语言处理_基础版,每接口每天50万次
NLP 自学习平台,3个模型定制额度 1个月
NLP自然语言处理_高级版,每接口累计50万次
简介: 使用cv和nlp完成图像的读取缩放旋转等……

20210305024304408.jpg


图1.jpg


读取图片



filename = '1.jpg'
## [Load an image from a file]
img = cv2.imread(filename)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.imshow(img)


20210305024331490.png


图像 缩放



resize=cv2.resize(img,(600, 600))
plt.imshow(resize)


img=cv2.resize(img, (h, w))  # 最后彩蛋


20210305024609399.png


图片翻转



dst = cv2.flip(img, 0)
plt.imshow(dst)


20210305024711283.png


图片旋转



rows,cols,h = img.shape
M = cv2.getRotationMatrix2D(((cols-1)/2.0,(rows-1)/2.0),45, 0.7)
dst = cv2.warpAffine(img,M,(cols,rows))
plt.imshow(dst)


20210305024920427.png

亮度调节



rows, cols, chunnel = img.shape
blank = np.zeros([rows, cols, chunnel], img.dtype)
dst = cv2.addWeighted(img, 0.6, blank,0.6,0.6)
plt.imshow(dst)


20210305025126387.png

随机裁剪



import random
import math
class RandomErasing(object):
    def __init__(self, EPSILON=0.5, sl=0.02, sh=0.4, r1=0.3,
                 mean=[0., 0., 0.]):
        self.EPSILON = EPSILON
        self.mean = mean
        self.sl = sl
        self.sh = sh
        self.r1 = r1
    def __call__(self, img):
        if random.uniform(0, 1) > self.EPSILON:
            return img
        for attempt in range(100):
            area = img.shape[0] * img.shape[1]
            target_area = random.uniform(self.sl, self.sh) * area
            aspect_ratio = random.uniform(self.r1, 1 / self.r1)
            h = int(round(math.sqrt(target_area * aspect_ratio)))
            w = int(round(math.sqrt(target_area / aspect_ratio)))
            # print(img,h,w)
            '''
            已经知道裁剪后的长和宽 只需按照 x和y进行保存即可
            '''
            # 此处插入代码
            return img
erase = RandomErasing()
img2=erase(img)
plt.imshow(img2)    


品,细品!


目录
相关文章
|
11月前
|
机器学习/深度学习 人工智能 缓存
TextBrewer:融合并改进了NLP和CV中的多种知识蒸馏技术、提供便捷快速的知识蒸馏框架、提升模型的推理速度,减少内存占用
TextBrewer:融合并改进了NLP和CV中的多种知识蒸馏技术、提供便捷快速的知识蒸馏框架、提升模型的推理速度,减少内存占用
TextBrewer:融合并改进了NLP和CV中的多种知识蒸馏技术、提供便捷快速的知识蒸馏框架、提升模型的推理速度,减少内存占用
|
自然语言处理 数据可视化 计算机视觉
全领域涨点 | Transformer携Evolving Attention在CV与NLP领域全面涨点(文末送书)(二)
全领域涨点 | Transformer携Evolving Attention在CV与NLP领域全面涨点(文末送书)(二)
88 0
|
机器学习/深度学习 自然语言处理 计算机视觉
全领域涨点 | Transformer携Evolving Attention在CV与NLP领域全面涨点(文末送书)(一)
全领域涨点 | Transformer携Evolving Attention在CV与NLP领域全面涨点(文末送书)(一)
147 1
|
机器学习/深度学习 自然语言处理 数据可视化
泛化神器 | 李沐老师新作进一步提升模型在多域多的泛化性,CV和NLP均有大幅度提升(文末获取论文)
泛化神器 | 李沐老师新作进一步提升模型在多域多的泛化性,CV和NLP均有大幅度提升(文末获取论文)
207 0
|
机器学习/深度学习 人工智能 自然语言处理
细数NLP与CV的融合创新:盘点多模态深度学习这几年
细数NLP与CV的融合创新:盘点多模态深度学习这几年
247 0
|
机器学习/深度学习 存储 人工智能
CV之后,纯MLP架构又来搞NLP了,性能媲美预训练大模型
CV之后,纯MLP架构又来搞NLP了,性能媲美预训练大模型
151 0
|
机器学习/深度学习 自然语言处理 运维
数据漂移检测(二):NLP 和 CV 中的非结构化数据(Arthur)
注意:这是我们深入探讨数据漂移检测问题的系列文章的第二部分。 如果您还不熟悉数据漂移检测,请查看我们在表格数据的上下文中讨论数据漂移的第一部分!
|
机器学习/深度学习 数据采集 存储
如何检测文本(NLP)和图像(计算机视觉)数据漂移
在现实世界中,数据以各种系统和格式记录,并且不断变化。 这些变化可能会随着便携式系统的老化和机械破裂而引入噪音,或者在生产过程发生根本变化或消费者行为变化的情况下发生。 这些变化对预测的准确性有影响,因此有必要测试在模型开发过程中所做的假设在模型投入生产时是否仍然有效。
|
机器学习/深度学习 人工智能 自然语言处理
横扫NLP 脚踏CV界的Transformer到底是什么? 为什么Work?深入浅出零基础通俗理解Transformer及其代码实现
Transformer 模型在近几年来横扫 NLP 领域并获得大量好评,在分类、检测等任务上展现了极其强劲的性能。另一方面其在计算机视觉领域也带来了革命性提升,而且骨干网络上的发展也推动了下游任务的发展,可以说Transformer已经引起了学术界的广泛关注,有越来越多的研究人员投入其中。 Transformer是谷歌在2017年发表的论文Attention Is All You Need中提出的一种seq2seq模型,首先是在自然语言处理方面应用。
横扫NLP 脚踏CV界的Transformer到底是什么? 为什么Work?深入浅出零基础通俗理解Transformer及其代码实现
|
机器学习/深度学习 传感器 数据采集
比赛推送:ML/NLP/推荐/CV,一大波比赛来袭!
比赛推送:ML/NLP/推荐/CV,一大波比赛来袭!
298 0
比赛推送:ML/NLP/推荐/CV,一大波比赛来袭!