使用PyTorch/torchvision批量裁剪缩放图像并获取缩放因子的方法

你可以通过重写RandomResizedCrop的前向逻辑，或者手动分步调用裁剪、缩放接口两种方式获取缩放因子，两种方案均和原生变换的处理逻辑完全一致，不会改变原有裁剪缩放的行为。

方案1：自定义变换类（推荐） #

继承原生RandomResizedCrop类，修改forward方法同时返回处理后的图像和缩放因子：

import torch
import torchvision.transforms.functional as F
from torchvision.transforms import RandomResizedCrop

class RandomResizedCropWithScale(RandomResizedCrop):
    def forward(self, img):
        # 输入img为单张图像，形状为(C, H, W)
        top, left, crop_h, crop_w = self.get_params(img, self.scale, self.ratio)
        # 执行裁剪
        cropped_img = F.crop(img, top, left, crop_h, crop_w)
        # 执行缩放
        resized_img = F.resize(
            cropped_img, 
            self.size, 
            interpolation=self.interpolation, 
            antialias=self.antialias
        )
        # 计算缩放因子：输出尺寸 / 裁剪区域高度（固定宽高比1:1时crop_h=crop_w，用任意一个计算均可）
        scale_factor = self.size[0] / crop_h
        return resized_img, torch.tensor(scale_factor, dtype=torch.float32)

使用示例 #

# 初始化变换，参数和你原来的配置完全一致
scale_transform = RandomResizedCropWithScale(224, scale=(0.08, 1.0), ratio=(1.0, 1.0))

# 单张图像处理
scaled_img, scale = scale_transform(original_img)

# 批量图像处理（输入形状为[B, C, H, W]）
original_batch = torch.randn(8, 3, 512, 512) # 示例批量输入
scaled_batch = []
scale_list = []
for img in original_batch:
    scaled, s = scale_transform(img)
    scaled_batch.append(scaled)
    scale_list.append(s)
scaled_batch = torch.stack(scaled_batch)
scale_tensor = torch.stack(scale_list) # 最终得到形状为[B]的缩放因子张量

方案2：分步调用原生接口 #

如果你不想自定义类，也可以直接调用原生的参数生成、裁剪、缩放接口手动控制流程：

import torch
import torchvision.transforms.functional as F
from torchvision.transforms import RandomResizedCrop

# 配置参数和原有变换对齐
output_size = 224
scale_range = (0.08, 1.0)
ratio_range = (1.0, 1.0)

# 单张图像处理示例
top, left, crop_h, crop_w = RandomResizedCrop.get_params(original_img, scale_range, ratio_range)
cropped_img = F.crop(original_img, top, left, crop_h, crop_w)
scaled_img = F.resize(cropped_img, output_size)
scale_factor = output_size / crop_h

注意事项 #

• 你当前配置固定了宽高比为1:1，因此裁剪得到的高和宽相等，用任意一个计算缩放因子结果一致
• 如果后续需要适配可变宽高比的场景，可以分别计算高和宽的缩放因子：height_scale = output_size[0]/crop_h、width_scale = output_size[1]/crop_w

内容的提问来源于stack exchange，提问作者mattroos