图像处理学习——1-读__getitem__()
1.插值：interpolation
在离散数据的基础上补插连续函数，使得这条连续曲线通过全部给定的离散数据点。
img = cv2.resize(img, (self.img_size_width, self.img_size_height), interpolation = cv2.INTER_LINEAR)2. resize函数说明
OpenCV提供了resize函数来改变图像的大小，函数原型如下：
void resize(InputArray src, OutputArray dst, Size dsize, double fx=0, double fy=0, int interpolation=INTER_LINEAR );
参数说明：src：输入，原图像，即待改变大小的图像；
dst：输出，改变大小之后的图像，这个图像和原图像具有相同的内容，只是大小和原图像不一样而已；
dsize：输出图像的大小。如果这个参数不为0，那么就代表将原图像缩放到这个Size(width，height)指定的大小；如果这个参数为0，那么原图像缩放之后的大小就要通过下面的公式来计算：
dsize = Size(round(fx*src.cols), round(fy*src.rows))其中，fx和fy就是下面要说的两个参数，是图像width方向和height方向的缩放比例。
fx：width方向的缩放比例，如果它是0，那么它就会按照(double)dsize.width/src.cols来计算；
fy：height方向的缩放比例，如果它是0，那么它就会按照(double)dsize.height/src.rows来计算；
interpolation：这个是指定插值的方式，图像缩放之后，肯定像素要进行重新计算的，就靠这个参数来指定重新计算像素的方式，有以下几种：
INTER_NEAREST - 最邻近插值
INTER_LINEAR - 双线性插值，如果最后一个参数你不指定，默认使用这种方法
INTER_AREA -区域插值 resampling using pixel area relation. It may be a preferred method for image decimation, as it gives moire’-free results. But when the image is zoomed, it is similar to the INTER_NEAREST method.
INTER_CUBIC - 4x4像素邻域内的双立方插值
INTER_LANCZOS4 - 8x8像素邻域内的Lanczos插值
使用注意事项：
dsize和fx/fy不能同时为0
要么你就指定好dsize的值，让fx和fy空置直接使用默认值，就像
resize(img, imgDst, Size(30,30));
要么你就让dsize为0，指定好fx和fy的值，比如fx=fy=0.5，那么就相当于把原图两个方向缩小一倍！
3.图像格式
BMP格式
Windows系统下的标准位图格式，未经压缩，一般图像文件会比较大，在很多软件中被广泛使用；
JPEG格式
应用最广泛的图片格式之一，它采用一种特殊的有损压缩方法，达到较大的压缩比（可到2:1甚至40:1），互联网上最广泛使用的格式；
GIF格式
不仅可以是一张静止的图片，也可以是动画，并且支持透明背景图像，适用于多种操作系统，“体型”很小，网上很多小动画都是GIF格式，但是其色域不太广，只支持256种颜色；
PNG格式
与JPG格式类似，压缩比高于GIF，支持图像透明，支持Alpha通道调节图像的透明度；
TIFF格式
它的特点是图像格式复杂，储存信息多，在Mac中广泛使用，非常有利于原稿的复制，在很多地方将TIFF格式用于印刷；
4、图像分辨率和通道数
分辨率
单位长度中所表达或截取的像素数目，每英寸图像内的像素点数，单位是像素每英寸（PPI）。图像分辨率越高，像素的点密度越高，图像越清晰；
通道数
图像的位深度，是指描述图像中每个pixel数值所占的二进制位数。位深度越大则图像能表示的颜色数就越多，色彩越丰富逼真；
8位：单通道图像，也就是灰度图，灰度值范围为2 ∗ ∗ 8 = 256 2**8=2562∗∗8=256；
24位：三通道3 ∗ 8 = 24 3*8=243∗8=24，每个通道用8比特进行存储；
32位：三通道加透明度Alpha通道
5.cv2.addWeighted函数
该函数的完整表述为：Python-OpenCV 图像叠加 or 图像混合加权实现。
函数原型如下：
dst = cv2.addWeighted(src1, alpha, src2, beta, gamma[, dst[, dtype]])参数说明：
- src1, src2：需要融合叠加的两副图像，要求大小和通道数相等
- alpha：src1 的权重
- beta：src2 的权重
- gamma：gamma 修正系数，不需要修正设置为 0
- dst：可选参数，输出结果保存的变量，默认值为 None
- dtype：可选参数，输出图像数组的深度，即图像单个像素值的位数（如 RGB 用三个字节表示，则为 24 位），选默认值 None 表示与源图像保持一致。
返回值：融合叠加的结果图像
官方手册也给出了最终的结果：
dst = src1 × alpha + src2 × beta + gamma;
上面的式子理解为，结果图像 = 图像 1× 系数 1+图像 2× 系数 2+亮度调节量
6.一段存疑的代码：
def __getitem__(self, index):
img_path = self.data_list[index]
label_path = img_path.split(".")[0] + ".txt"
# 归一化操作
img = cv2.imread(img_path)
img = cv2.resize(img, (self.img_size_width, self.img_size_height), interpolation = cv2.INTER_LINEAR)
#数据增强
if self.imgaug == True:
img = img_aug(img)
img = img.transpose(2,0,1)#？为什么要这样转置
# 加载label文件
if os.path.exists(label_path):
label = []
with open(label_path, 'r') as f:
for line in f.readlines():
l = line.strip().split(" ")
label.append([0, l[0], l[1], l[2], l[3], l[4]])
label = np.array(label, dtype=np.float32)
if label.shape[0]:
assert label.shape[1] == 6, '> 5 label columns: %s' % label_path
#assert (label >= 0).all(), 'negative labels: %s'%label_path
#assert (label[:, 1:] <= 1).all(), 'non-normalized or out of bounds coordinate labels: %s'%label_path
else:
raise Exception("%s is not exist" % label_path)
return torch.from_numpy(img), torch.from_numpy(label)不是很理解label这句😐
label.append([0, l[0], l[1], l[2], l[3], l[4]])