在深度学习中加载图像时，如何快速连接图像的 4 个角？

Question

连接 4 个角的最有效方法是什么，如 this photo 所示？（在 getitem() 中进行）

left_img = Image.open('image.jpg')
...
output = right_img

Answer 1

这就是我要做的。首先我会暂时将图像转换为张量图像

from torchvision import transforms
tensor_image = transforms.ToTensor()(image)

现在假设你有一个 3 通道图像（虽然类似的原则适用于任何数量通道的任何矩阵，包括 1 通道灰度图像）。

您可以找到 tensor_image[0] 的红色通道，tensor_image[1] 的绿色通道和 tensor_image[2]

的蓝色通道

你可以像

一样创建一个循环遍历每个通道的for循环

for i in tensor_image.size(0):
  curr_channel = tensor_image[i]

现在在每个通道的 for 循环中，您可以提取

带浮点数的第一个角像素(curr_channel[0][0])
带浮动的最后一个顶角像素(curr_channel[0][-1])
带浮点数的底部第一个像素(curr_channel[-1][0])
带浮动的底部和最后一个像素(curr_channel[-1][-1])

确保在下一个附加步骤之前将所有像素值转换为浮点值或双精度值

现在你有四个值对应于每个通道的角像素然后你可以创建一个名为 new_image = [] 的列表然后，您可以使用附加上述像素值 new_image.append([[curr_channel[0][0], curr_channel[0][-1]], [curr_channel[-1][0], curr_channel[-1][-1]]]) 现在，在遍历每个通道后，您应该有一个包含三个（或 tensor_image.size(0)）个列表列表的大列表。

下一步是通过运行ning

将此列表列表转换为 torch.tensor

new_image = torch.tensor(new_image)

为了确保一切正确 new_image.size() 应该 return torch.Size([3, 2, 2])

如果是这种情况，您现在拥有了想要的图像，但它是张量格式。将其转换回 PIL 的方法是运行

final_pil_image = transforms.ToPILImage()(new_image)

如果一切顺利，你应该有一个 pil 图像来完成你的任务。它使用的唯一代码是巧妙的索引和一个 for 循环。有一种可能，但是如果你看得比我多，那么你可以避免使用 for 循环并在没有循环的情况下对所有通道执行操作。

萨萨克·耆那教

Answer 2

我不知道这有多快，但是在这里：

import numpy as np

img = np.array(Image.open('image.jpg'))

w, h = img.shape[0], image.shape[1]

# the window size:
r = 4

upper_left = img[:r, :r]
lower_left = img[h-r:, :r]

upper_right = img[:r, w-r:]
lower_right = img[h-r:, w-r:]

upper_half = np.concatenate((upper_left, upper_right), axis=1)
lower_half = np.concatenate((lower_left, lower_right), axis=1)
img = np.concatenate((upper_half, lower_half))

或简称：

upper_half = np.concatenate((img[:r, :r], img[:r, w-r:]), axis=1)
lower_half = np.concatenate((img[h-r:, :r], img[h-r:, w-r:]), axis=1)
img = np.concatenate((upper_half, lower_half))

在深度学习中加载图像时，如何快速连接图像的 4 个角？

How can I concatenate the 4 corners of the image quickly when loading image in deep learning?

dataset

python-imaging-library

deep-learning

pytorch