transforms.normalize()函数介绍

transforms属于torchvision模块的方法，它是常见的图像预处理的方法，以提升泛化能力。

transforms包括的数据预处理方法有：数据中心化、数据标准化、缩放、裁剪、旋转、翻转、填充、噪声添加、灰度变换、线性变换、仿射变换、亮度、饱和度及对比度变换等

transforms.normalize()函数用于数据标准化，主要功能为：逐channel的对图像进行标准化（均值变为0，标准差变为1），可以加快模型的收敛。

transforms.normalize()函数原型

transforms.normalize()函数原型为：

def __init__(self, mean, std, inplace=False):

参数说明：

  • mean:各通道的均值
  • std：各通道的标准差
  • inplace：是否原地操作

获取图像数据的均值和标准差

在Pytorch中，transforms.Normalize函数是一种常用的图像预处理技术，用于对输入图像进行归一化处理，以便于模型的训练和收敛。该函数通过减去均值并除以标准差的方式，将图像的像素值映射到一个更小的范围内，使得模型更容易学习和处理图像数据。在使用transforms.Normalize函数之前，我们需要事先得到图像数据的均值和标准差。要获取图像数据的均值和标准差，我们需要遍历整个数据集并计算每个通道的像素值的平均数和标准差。以下是一种常用的方法来计算图像数据的均值和标准差：

import numpy as np
from PIL import Image

# 先创建一个空的列表用于存储每个像素的RGB值
pixels = []

# 遍历整个数据集，将每个像素的RGB值加入列表
for image_path in image_paths:
    image = Image.open(image_path)
    image = np.array(image) / 255.0  # 将像素值映射到0-1范围
    pixels.append(image.reshape(-1, 3))  # 将每个像素的RGB值添加到列表

# 将像素列表转换为numpy数组
pixels = np.concatenate(pixels, axis=0)

# 计算每个通道的像素值的平均数和标准差
mean = np.mean(pixels, axis=0)
std = np.std(pixels, axis=0)

print("图像数据的均值：", mean)
print("图像数据的标准差：", std)

以上代码首先创建一个空的列表pixels用于存储每个像素的RGB值。然后遍历整个数据集的图像文件路径，依次读取每个图像，并将像素值映射到0到1的范围内。接着将每个像素的RGB值添加到列表pixels中。最后，将pixels列表转换为numpy数组，并计算每个通道的像素值的平均数和标准差。

使用均值和标准差进行图像归一化

一旦我们得到了图像数据的均值和标准差，就可以使用transforms.Normalize函数对图像进行归一化处理。这样做的目的是为了使模型更容易学习和处理图像数据。

以下是使用transforms.Normalize函数进行图像归一化的示例代码：

import torchvision.transforms as transforms

# 定义待处理图像的变换操作
transform = transforms.Compose([
    transforms.ToTensor(),  # 将图像转换为张量
    transforms.Normalize(mean, std)  # 使用得到的均值和标准差进行归一化处理
])

# 加载图像并进行归一化处理
image = Image.open(image_path)
image = transform(image)

print("归一化后的图像：", image)

以上代码使用transforms.Compose函数将多个图像变换操作组合在一起。其中，transforms.ToTensor()函数将图像转换为张量形式，transforms.Normalize函数使用之前得到的均值和标准差进行图像归一化处理。最后，加载图像并应用变换操作，得到归一化后的图像。