resizeImage: transformação de redimensionamento de imagem de Machine Learning

Artigo
05/23/2023

Redimensiona uma imagem para uma dimensão especificada usando um método de redimensionamento especificado.

Uso

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

Argumentos

`vars`

Uma lista nomeada de vetores de caracteres de nomes de variáveis de entrada e o nome da variável de saída. Observe que as variáveis de entrada precisam ser do mesmo tipo. Para mapeamentos um para um entre variáveis de entrada e saída, um vetor de caractere nomeado pode ser usado.

`width`

Especifica a largura da imagem dimensionada em pixels. O valor padrão é 224.

`height`

Especifica a altura da imagem dimensionada em pixels. O valor padrão é 224.

`resizingOption`

Especifica o método de redimensionamento a ser usado. Observe que todos os métodos estão usando a interpolação bilinear. As opções são:

"IsoPad": a imagem é redimensionada preservando a taxa de proporção. Se necessário, a imagem é preenchida com preto para se ajustar à nova largura ou altura.
"IsoCrop": a imagem é redimensionada preservando a taxa de proporção. Se necessário, a imagem é cortada para se ajustar à nova largura ou altura.
"Aniso": a imagem é alongada para a nova largura e altura, sem preservar a taxa de proporção. O valor padrão é "IsoPad".

Detalhes

resizeImage redimensiona uma imagem para a altura e a largura especificadas usando um método de redimensionamento especificado. As variáveis de entrada dessa transformação precisam ser imagens, normalmente o resultado da transformação loadImage.

Valor

Um objeto maml que define a transformação.

Autor(es)

Microsoft Corporation Microsoft Technical Support

Exemplos


 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")

Partilhar via