resizeImage: преобразование изменения размера изображения Машинного обучения
Изменяет размер изображения до указанного с помощью заданного метода изменения размера.
Использование
resizeImage(vars, width = 224, height = 224, resizingOption = "IsoCrop")
Аргументы
vars
Именованный список векторов символов имен входных переменных и имени выходной переменной. Обратите внимание, что входные переменные должны иметь один и тот же тип. Для однозначного соответствия между входными и выходными переменными можно использовать именованный вектор символов.
width
Определяет ширину масштабированного изображения в пикселях. Значение по умолчанию — 224.
height
Определяет высоту масштабированного изображения в пикселях. Значение по умолчанию — 224.
resizingOption
Определяет используемый метод изменения размера. Обратите внимание, что все методы используют билинейную интерполяцию. Доступны следующие возможности:
"IsoPad"
: размер изображения изменяется таким образом, чтобы пропорции сохранились. При необходимости изображение дополняется черным цветом в соответствии с новыми значениями ширины или высоты."IsoCrop"
: размер изображения изменяется таким образом, чтобы пропорции сохранились. При необходимости изображение обрезается в соответствии с новыми значениями ширины или высоты."Aniso"
: изображение растягивается с учетом новых значений ширины и высоты без сохранения пропорций. Значение по умолчанию —"IsoPad"
.
Сведения
resizeImage
изменяет размер изображения до указанной высоты и ширины с помощью определенного метода изменения размера. Входными переменными для этого преобразования должны быть изображения, как правило, результат преобразования loadImage
.
Значение
Объект maml
, определяющий преобразование.
Авторы
Корпорация Майкрософт Microsoft Technical Support
Примеры
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")