Condividi tramite


resizeImage: Machine Learning ridimensionamento immagine trasformazione

Ridimensiona un'immagine a una dimensione specificata usando un metodo di ridimensionamento specificato.

Utilizzo

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

Arguments

vars

Elenco denominato di vettori di caratteri di nomi di variabili di input e nome della variabile di output. Si noti che le variabili di input devono essere dello stesso tipo. Per i mapping uno-a-uno tra le variabili di input e di output, è possibile usare un vettore di caratteri denominato.

width

Specifica la larghezza dell'immagine ridimensionata in pixel. Il valore predefinito è 224.

height

Specifica l'altezza dell'immagine ridimensionata in pixel. Il valore predefinito è 224.

resizingOption

Specifica il metodo di ridimensionamento da usare. Si noti che tutti i metodi usano l'interpolazione bilineare. Le opzioni sono:

  • "IsoPad": l'immagine viene ridimensionata in modo che vengano mantenute le proporzioni. Se necessario, l'immagine viene riempita con il nero per adattarsi alla nuova larghezza o altezza.
  • "IsoCrop": l'immagine viene ridimensionata in modo che vengano mantenute le proporzioni. Se necessario, l'immagine viene ritagliata per adattarsi alla nuova larghezza o altezza.
  • "Aniso": l'immagine viene estesa in base ai nuovi valori di larghezza e altezza, senza mantenere le proporzioni. Il valore predefinito è "IsoPad".

Dettagli

resizeImage ridimensiona un'immagine in base all'altezza e alla larghezza specificate usando un metodo di ridimensionamento specificato. Le variabili di input per questa trasformazione devono essere immagini, in genere il risultato della trasformazione loadImage.

Valore

Oggetto maml che definisce la trasformazione.

Autore/i

Microsoft Corporation Microsoft Technical Support

Esempi


 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")