5． RandomRotation
此变换将图像随机旋转一个角度。以度为单位的角度可以作为参数“degrees”的输入。
transform ＝ transforms．Compose（［transforms．RandomRotation（degrees＝180）］）
tensor＿img ＝ transform（image）
tensor＿img
查看上述代码的转换！
旋转图像
6． Grayscale
此转换将把原始RGB图像更改为灰度（即黑白）。你可以提供你想要多少个通道作为参数“num＿output＿channels”的输入。
transform ＝ transforms．Compose（［transforms．Grayscale（num＿output＿channels＝1）］）
tensor＿img ＝ transform（image）
tensor＿img
输出如下所示。
7． GaussianBlur
在这里，图像将被随机选择的高斯模糊所模糊。必须提供参数kernel＿size。
transform ＝ transforms．Compose（［transforms．GaussianBlur（kernel＿size＝501）］）
tensor＿img ＝ transform（image）
tensor＿img
8． RandomApply
此转换将随机应用给定的转换列表。
transform ＝ transforms．RandomApply（［transforms．RandomSizedCrop（200），transforms．RandomHorizontalFlip（）］，p＝0．6）
tensor＿img ＝ transform（image）
9． Compose
在本文中，我们一直在使用Compose（） 。为了清楚地定义它，它将几个变换组合在一起。
transforms．Compose（［transforms．Grayscale（1），transforms．CenterCrop（10）， transforms．ToTensor（）］）
一些转换将以所需格式处理数据。然而，对于图像数据增强，则需要灰度、随机水平翻转和随机旋转等变换。
10． 函数变换
在我们学习到的所有变换中，你可以注意到参数是随机生成的。这通常足以进行数据扩充。但是，有时你可能需要对转换管道进行更细粒度的控制。在这种情况下，可以使用函数变换。在这里，你可以指定或生成所有参数。一个附加的优点是，一个特定定义的函数变换可以应用于多个图像。
可以从torchvision．transforms．functional访问所有函数转换。
现在让我们深入了解PyTorch提供的不同功能转换。
A） 调整亮度：adjust＿brightness
这主要是调整图像的亮度。它以PyTorch张量的形式将图像作为输入。它还有一个重要参数“亮度系数”。这将表示如何实际更改亮度。
例如，如果值为1，则会得到与输入相同的图像。如果该值大于1，将获得更亮的图像。如果它小于1，你会得到一个更暗的图像。可以相应地传递浮点值。返回的图像将是张量或PIL图像。
new＿img ＝ transforms．functional．adjust＿brightness（image，brightness＿factor＝2）
new＿img
B） 调整对比度：adjust＿contrast
上面我们看到了如何调整亮度，这里我们有另一个用于调整图像对比度的变换。它需要两个输入参数：张量形式的图像和“对比度因子”。第二个参数将输入一个浮点值，它将告诉你如何调整对比度。但不能是负的。
new＿img ＝ transforms．functional．adjust＿contrast（image，contrast＿factor＝3．8）
new＿img
C） 调整色调：adjust＿hue
色调是图像的一个重要属性。Pytorch允许你通过transforms．functional．adjust＿hue进行调整。
想知道它是怎么工作的吗？
首先，图像将被转换成HSV（色调，饱和度，值）形式。将根据我们的参数在H通道中进行更改。更改后，图像将转换为其原始形式。重要的参数是“色调因子”。它可以是［－0．5．0．5］范围内的浮点值。尝试实现下面的示例。
new＿img ＝ transforms．functional．adjust＿hue（image，hue＿factor＝0．3）
new＿img
D） 调整饱和度：adjust＿saturation
这是为了调整输入图像的颜色饱和度。与上述情况类似，我们有一个“饱和度系数”参数，它决定了饱和度的变化方式。这将输入一个浮点值。如果将其设置为0，则会得到黑白图像。
new＿img ＝ transforms．functional．adjust＿saturation（image，saturation＿factor＝6）
输出如下图所示！
E） 调整锐度：adjust＿sharpness
你可以通过此变换调整图像的清晰度。它采用浮点值作为“锐度系数”参数的输入。此值可以是除负值以外的任何值。
在下面的代码中，我使用了10的锐度因子，这意味着变换后的图像将是原始图像的10倍锐度。
new＿img ＝ transforms．functional．adjust＿sharpness（image，sharpness＿factor＝10）
检查输出！
F） 均衡：equalize
这种变换将均衡图像的直方图。
怎么会这样？
它将对输入应用非线性映射，从而在输出中创建灰度值的均匀分布。
new＿img ＝ transforms．functional．equalize（image）
这些是一些重要的函数转换，将有助于在图像预处理阶段。它们也可以组合使用。
