Partager via


resizeImage : transformation de redimensionnement d’image Machine Learning

Change la taille d’une image aux dimensions spécifiées à l’aide d’une méthode de redimensionnement spécifiée.

Utilisation

  resizeImage(vars, width = 224, height = 224, resizingOption = "IsoCrop")

Arguments

vars

Liste nommée de vecteurs de caractères des noms de variables d’entrée, et le nom de la variable de sortie. Notez que les variables d’entrée doivent être du même type. Pour les mappages un-à-un entre les variables d’entrée et de sortie, un vecteur de caractères nommé peut être utilisé.

width

Spécifie la largeur de l’image mise à l’échelle en pixels. La valeur par défaut est 224.

height

Spécifie la hauteur de l’image mise à l’échelle en pixels. La valeur par défaut est 224.

resizingOption

Spécifie la méthode de redimensionnement à utiliser. Notez que toutes les méthodes utilisent l’interpolation bilinéaire. Les options sont :

  • "IsoPad" : l’image est redimensionnée de telle sorte que les proportions sont conservées. Si nécessaire, l’image est remplie avec du noir pour s’ajuster à la nouvelle largeur ou hauteur.
  • "IsoCrop" : l’image est redimensionnée de telle sorte que les proportions sont conservées. Si nécessaire, l’image est rognée pour s’ajuster à la nouvelle largeur ou hauteur.
  • "Aniso" : l’image est étirée aux nouvelles largeur et hauteur, sans conserver les proportions. La valeur par défaut est "IsoPad".

Détails

resizeImage redimensionne une image à la hauteur et à la largeur spécifiées à l’aide d’une méthode de redimensionnement spécifiée. Les variables d’entrée de cette transformation doivent être des images, généralement le résultat de la transformation loadImage.

Valeur

Un objet maml définissant la transformation.

Auteur(s)

Microsoft Corporation Microsoft Technical Support

Exemples


 train <- data.frame(Path = c(system.file("help/figures/RevolutionAnalyticslogo.png", package = "MicrosoftML")), Label = c(TRUE), stringsAsFactors = FALSE)

 # Loads the images from variable Path, resizes the images to 1x1 pixels and trains a neural net.
 model <- rxNeuralNet(
     Label ~ Features,
     data = train,
     mlTransforms = list(
         loadImage(vars = list(Features = "Path")),
         resizeImage(vars = "Features", width = 1, height = 1, resizing = "Aniso"),
         extractPixels(vars = "Features")
         ),
     mlTransformVars = "Path",
     numHiddenNodes = 1,
     numIterations = 1)

 # Featurizes the images from variable Path using the default model, and trains a linear model on the result.
 model <- rxFastLinear(
     Label ~ Features,
     data = train,
     mlTransforms = list(
         loadImage(vars = list(Features = "Path")),
         resizeImage(vars = "Features", width = 224, height = 224), # If dnnModel == "AlexNet", the image has to be resized to 227x227.
         extractPixels(vars = "Features"),
         featurizeImage(var = "Features")
         ),
     mlTransformVars = "Path")