用tl进行图片增强

简介:

以rotate(旋转)为例



import tensorlayer as tl
from PIL import Image
import numpy as np

file_path = '/Users/qyk/Desktop/py/tensorlayer/data_augment/'
img_name = '2.jpg'#jpg或者JPG都行
img_path = file_path + img_name
img = Image.open(fp=img_path,mode='r')
img.show()

img = np.array(img)#tl.prepro.rotation要求img为numpy array

img1 = tl.prepro.rotation(img,rg=20,is_random=True,row_index=0,col_index=1,channel_index=2,fill_mode='nearest',cval=0.0)
img1 = Image.fromarray(img1)
img1.show()
img1_name = '22.jpg'
img1_path = file_path + img1_name
img1.save(fp=img1_path)


目录
相关文章
|
3月前
|
人工智能 自然语言处理 机器人
字节打造大模型TTS:不仅能高保真合成,而且支持调整编辑
【6月更文挑战第26天】字节跳动的Seed-TTS是先进的文本转语音系统,生成与人类语音难辨别的声音,并允许编辑。模型通过语音、文本编码器、解码器和声码器实现高保真、可控及多样化的语音生成。应用于智能客服、有声读物、导航,提升用户体验。虽在多模态任务、长文本生成、实时应用及隐私问题上面临挑战[[arxiv.org/pdf/2406.02430](https://arxiv.org/pdf/2406.02430)]。
79 7
|
3月前
|
数据格式
【新特性演示】YOLOv8实现旋转对象检测
【新特性演示】YOLOv8实现旋转对象检测
210 0
在图片上停留时逐渐增强或减弱的透明效果demo效果示例(整理)
在图片上停留时逐渐增强或减弱的透明效果demo效果示例(整理)
|
机器学习/深度学习 编解码 人工智能
SRCNN、DRCN、FSRCNN、ESPCN、SRGAN、RED…你都掌握了吗?一文总结超分辨率分析必备经典模型(一)(2)
SRCNN、DRCN、FSRCNN、ESPCN、SRGAN、RED…你都掌握了吗?一文总结超分辨率分析必备经典模型(一)
267 0
|
机器学习/深度学习 编解码 人工智能
SRCNN、DRCN、FSRCNN、ESPCN、SRGAN、RED…你都掌握了吗?一文总结超分辨率分析必备经典模型(一)(3)
SRCNN、DRCN、FSRCNN、ESPCN、SRGAN、RED…你都掌握了吗?一文总结超分辨率分析必备经典模型(一)
256 0
|
机器学习/深度学习 编解码 自然语言处理
SRCNN、DRCN、FSRCNN、ESPCN、SRGAN、RED…你都掌握了吗?一文总结超分辨率分析必备经典模型(一)(1)
SRCNN、DRCN、FSRCNN、ESPCN、SRGAN、RED…你都掌握了吗?一文总结超分辨率分析必备经典模型(一)
340 0
|
编解码 数据可视化 前端开发
CVPR2020丨重新思考图像超分辨率的数据增强:综合分析和一个新的策略
从表3中可以看到,当使用了 CutBlur 对模型进行训练,模型在测试集上的性能得到了明显的提升,尤其是在 RealSR 数据集上,所有模型至少得到了0.22dB 的提升。而 CARN则能够在 RealSR测试集上达到 SOTA 性能(RCAN basline),性能与 LP-KPN近似,使用参数量仅为 LP-KPN 的22%。从图7也可以看到,残差强度图在使用 CutBlur 方法后得到误差明显的下降。
CVPR2020丨重新思考图像超分辨率的数据增强:综合分析和一个新的策略
|
人工智能 Python
【数据增强】按照十字线将图片裁剪为四部分(*4)
【数据增强】按照十字线将图片裁剪为四部分(*4)
【数据增强】按照十字线将图片裁剪为四部分(*4)
|
图形学 iOS开发
Unity【Face Cap】- 关于人脸捕捉的解决方案(二)
Unity【Face Cap】- 关于人脸捕捉的解决方案(二)
749 0
Unity【Face Cap】- 关于人脸捕捉的解决方案(二)
|
算法 知识图谱
GCA:基于自适应数据增强的图对比学习
GCA:基于自适应数据增强的图对比学习
591 0
GCA:基于自适应数据增强的图对比学习