使用cv2,numpy,PIL模块实现图像数据的数据增强。
计算机视觉中的图像增强，是人为的为视觉不变性（语义不变）引入了先验知识。数据增强也基本上成了提高模型性能的最简单、直接的方法了。
一、原图片： 二、数据增强代码： 导包：import random import cv2 import numpy as np from PIL import Image import matplotlib.pyplot as plt读数据：
img = Image.open("5-8图库/5-8.png")
img = np.array(img)
# 展示图片
plt.imshow(img)
plt.show()
图像水平翻转：
def horizon_flip(img):
'''
图像水平翻转
:param img:
:return:水平翻转后的图像
'''
return img[:, ::-1]
# 展示图片
plt.imshow(horizon_flip(img))
plt.show()
图像垂直翻转：
def vertical_flip(img):
'''
图像垂直翻转
:param img:
:return:
'''
return img[::-1]
在一定角度范围内，图像随机旋转：
def rotate(img, limit_up=90, limit_down=-90):
'''
在一定角度范围内，图像随机旋转
:param img:
:param limit_up:旋转角度上限
:param limit_down: 旋转角度下限
:return: 旋转后的图像
'''
# 旋转矩阵
rows, cols = img.shape[:2]
center_coordinate = (int(cols / 2), int(rows / 2))
angle = random.uniform(limit_down, limit_up)
M = cv2.getRotationMatrix2D(center_coordinate, angle, 1)
# 仿射变换
out_size = (cols, rows)
rotate_img = cv2.warpAffine(img, M, out_size, borderMode=cv2.BORDER_REPLICATE)
return rotate_img
上下左右随机平移：
def shift(img, distance_down=-500, distance_up=500):
'''
利用仿射变换实现图像平移，平移距离∈[down, up]
:param img: 原图
:param distance_down:移动距离下限
:param distance_up: 移动距离上限
:return: 平移后的图像
'''
rows, cols = img.shape[:2]
y_shift = random.uniform(distance_down, distance_up)
x_shift = random.uniform(distance_down, distance_up)
# 生成平移矩阵
M = np.float32([[1, 0, x_shift], [0, 1, y_shift]])
# 平移
img_shift = cv2.warpAffine(img, M, (cols, rows), borderMode=cv2.BORDER_REPLICATE)
return img_shift
固定尺寸随机进行裁剪：
def crop(img, crop_x=600, crop_y=600):
'''
读取部分图像，进行裁剪
:param img:
:param crop_x:裁剪x尺寸
:param crop_y:裁剪y尺寸
:return:
'''
rows, cols = img.shape[:2]
# 偏移像素点
x_offset = random.randint(0, cols - crop_x)
y_offset = random.randint(0, rows - crop_y)
# 读取部分图像
img_part = img[y_offset:(y_offset+crop_y), x_offset:(x_offset+crop_x)]
return img_part
随机调整图像亮度、对比度调整：
def lighting_adjust(img, k_down=0, k_up=5, b_down=0, b_up=3):
'''
图像亮度、对比度调整
:param img:
:param k_down:对比度系数下限
:param k_up:对比度系数上限
:param b_down:亮度增值上限
:param b_up:亮度增值下限
:return:调整后的图像
'''
# 对比度调整系数
slope = random.uniform(k_down, k_up)
# 亮度调整系数
bias = random.uniform(b_down, b_up)
# 图像亮度和对比度调整
img = img * slope + bias
# 灰度值截断，防止超出255
img = np.clip(img, 0, 255)
return img.astype(np.uint8)
图像加高斯噪声：
def Gaussian_noise(img, mean=0, std=0.05):
'''
图像加高斯噪声
:param img: 原图
:param mean: 均值
:param std: 标准差
:return:
'''
image = np.array(img/255, dtype=float)
noise = np.random.normal(mean, std ** 0.5, image.shape)
out = image + noise
if out.min() < 0:
low_clip = -1.
else:
low_clip = 0.
out = np.clip(out, low_clip, 1.0)
out = np.uint8(out*255)
return out
图像归一化：
def normalization(img, mean = [0.485, 0.456, 0.406], std= [0.229, 0.224, 0.225]):
'''
图像归一化,图像像素点从(0,255)->（0,1）
:param img:
:param mean:所有样本图像均值 默认数值来自imagenet统计
:param std: 所有样本图像标准差
:return:
'''
img = img.astype('f')
img -= mean
img /= std
img = np.uint8(img)
return img
案例来源与网络，图像时自己生成的，收藏下来以后用。
