亮度对比度示例

此示例演示了 brightness_contrast 算子的用法。

亮度与对比度调整

亮度与对比度可以使用三个参数进行调整：contrast - 使暗部更暗，亮部更亮，同时保持灰色（在输入类型动态范围的一半处）不变，

brightness - 乘以强度，

brightness_shift - 移动像素强度。

公式如下

\[Out = brightness\_shift \cdot {Max}_{out} + brighness \cdot ({contrast\_center} + {contrast} \cdot ({in} - {contrast\_center}))\]

其中 \({contrast\_center}\) 表示不受对比度变化影响的值；默认情况下，它位于输入动态范围的一半（例如，对于 uint8 为 128），\({Max}_{out}\) 是输出类型的最大正值，对于整数类型，或对于浮点类型为 1） - 但也可以作为算子的参数指定。该算子可用于调整对比度和亮度，以及计算负片图像（brightness = -1，brighness_shift = 1）。

分步指南

1. 让我们从导入必要的模块（以及 DALI 本身）开始。

from nvidia.dali import pipeline_def
import nvidia.dali.fn as fn
import nvidia.dali.types as types
import matplotlib.pyplot as plt

batch_size = 10
image_filename = "../data/images"

batch_size 大于 1，以便更容易在示例末尾切换图像。

2. 接下来，让我们实现 pipeline。我们展示了 pipeline 的 2 个版本。CPU 版本在 CPU 上完成所有处理（即读取文件、解码文件和亮度/对比度操作），而另一个 pipeline 在 GPU 上执行这些操作。

@pipeline_def()
def bc_cpu_pipeline():
    files, labels = fn.readers.file(file_root=image_filename)
    images = fn.decoders.image(files)
    converted = fn.brightness_contrast(
        images, brightness_shift=0.3, contrast=0.4, contrast_center=100
    )
    return images, converted


@pipeline_def()
def bc_gpu_pipeline():
    files, labels = fn.readers.file(file_root=image_filename)
    images = fn.decoders.image(files, device="mixed")
    converted = fn.brightness_contrast(
        # increase contrast  # invert...
        images,
        contrast=1.5,
        brightness_shift=1,
        brightness=-1,
    )  # ...colors
    return images, converted

下面的函数用于实际显示操作结果。由于我们设置的 pipeline 返回 2 个输出：修改后的图像和原始图像，因此该函数从输出中获取它们并将它们显示出来。指定了额外的标志 (cpu)，以确定 pipeline 输出是来自 CPU 还是 GPU。在后一种情况下，我们必须告诉输出返回 CPU 可访问的数据副本。

def display(output, cpu=True):
    i = 2  # Tweak that to have various images from batch
    img1 = output[0].at(i) if cpu else output[0].as_cpu().at(i)
    img2 = output[1].at(i) if cpu else output[1].as_cpu().at(i)
    fig, ax = plt.subplots(1, 2)
    ax[0].imshow(img1)
    ax[1].imshow(img2);

3. 现在让我们构建 pipeline，运行它们并显示结果。首先是 GPU 版本

pipe_gpu = bc_gpu_pipeline(batch_size=batch_size, num_threads=1, device_id=0)
pipe_gpu.build()

gpu_output = pipe_gpu.run()

display(gpu_output, cpu=False)

4. 然后是 CPU 版本

pipe_cpu = bc_cpu_pipeline(batch_size=batch_size, num_threads=1, device_id=0)
pipe_cpu.build()
cpu_output = pipe_cpu.run()

display(cpu_output)