在人工智能计算机视觉任务中，经常需要对图像进行预处理操作，比如，在图像分类任务中，我们需要训练图像数据大小一般为：224*224，416*416等，但在实际给的图像数据大小并不是这样的大小，所以需要需要经过预处理。而在模型预测推理中，我们还需要把图像进行归一化处理。
以下面几张原始图像为例，来演示图像的预处理操作缩放和裁剪，图像来源于网络。
500*705
500*335
500*427
500*397
500*427
先把图像以短边缩放到224，再以中心裁剪成224*224大小。最后根据需要做归一化处理。
主要定义三个函数：
1、根据短边缩放：ResizeByShort
2、中心裁剪：CenterCrop
3、归一化：Normalize
实现代码
import cv2
import numpy as np
import os
#根据短边缩放
def ResizeByShort(img,size=224):
shortsize=min(img.shape[0],img.shape[1]) #取短边
scale=size/shortsize #缩放比
#计算缩放后的宽度
w=int(img.shape[1]*scale)
h=int(img.shape[0]*scale)
img=cv2.resize(img,(w,h))
return img
#中心裁剪正方形
def CenterCrop(img,size):
h,w=img.shape[:2]
w0=(w-size)//2
h0=(h-size)//2
img=img[h0:h0 size,w0:w0 size]
return img
#归一化操作,HWC=>NCWH
mean=[0.485, 0.456, 0.406]
std=[0.229, 0.224, 0.225]
def Normalize(img,mean,std):
img=img.astype(np.float32)/255.
#BGR>RGB
img=img[:,:,::-1]
mean=np.array(mean).reshape(1,1,3).astype(np.float32)
std=np.array(std).reshape(1,1,3).astype(np.flat32)
img=(img-mean)/std
# img=np.expand_dims(img,axis=0)
# img=np.transpose(img,(0,3,1,2))
return img
imgnamelst=["7.jpg","16.jpg","80.jpg","104.jpg","d117.jpg"]
imglst=[]
for imgname in imgnamelst:
fimg=os.path.join("img",imgname)
img=cv2.imread(fimg)
#根据短边缩放
img=ResizeByShort(img,224)
#中心裁剪
img=CenterCrop(img,224)
imglst.append(img)
imgres=np.hstack(imglst) #图像拼接起来
#print(img.shape)
cv2.imshow("img",imgres)
cv2.waitKey(0)
cv2.destroyAllWindows()
5*(224*224)
,
