图像数据增强实战
by 小韩 (翻译自：https://towardsdatascience.com/image-augmentation-examples-in-python-d552c26f2873)
我目前正在做图像数据增强的深度和有效性的研究。 这项研究的目的是学习怎样增加只有有限或少量数据的数据集大小，增强训练的卷积网络模型的鲁棒性。需要列出所有可以想到的图像增强的方法，并将这些方法进行组合，尝试和改善图像分类模型的性能。 一些较简单的增强方法有翻转，平移，旋转，缩放，分离r，g，b颜色通道和添加噪声。 更好一些的增强方法是生成对抗网络模型，有时交替使用遗传算法和生成对抗网络。 还有一些创造性的方法，比如将 Instagram 样式的高亮滤镜应用于图像，应用随机区域锐化滤镜，以及基于聚类技术添加平均图像。 本文将介绍怎样使用 NumPy 对图像进行扩充。
下面列出了一些扩充技术的说明，如果你能想到任何其他方法来增强图像，提高图像分类器的质量，请留言一起讨论。
增强
所有的代码都没有使用 OpenCV 库，只使用了 Numpy。
加载图像
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
img = Image.open(’./NIKE.png’)
img = np.array(img)
plt.imshow(img)
plt.show()
翻转（Flipping）
翻转图像是最流行的图像数据增强方法之一。 这主要是由于翻转图像的代码比较简单，而且对于大多数问题而言，翻转图像会增强模型的性能。 下面的模型可以被认为是看到左鞋而不是右鞋，因此通过这种数据增加，模型对于看到鞋的潜在变化变得更加有鲁棒性。
用 Numpy 翻转
flipped_img = np.fliplr(img)
plt.imshow(flipped_img)
plt.show()
平移（Translations）
很容易想象使用目标检测的分类器进行平移可以增加它的性能。 好像这个分类模型试图检测鞋子何时在图像中而不是是否在图像中。 平移操作将有助于它看不到整个鞋子的情况下检测出鞋子。
向左平移
for i in range(HEIGHT, 1, -1):
for j in range(WIDTH):
if (i < HEIGHT-20):
img[j][i] = img[j][i-20]
elif (i < HEIGHT-1):
img[j][i] = 0
plt.imshow(img)
plt.show()
向右平移
for j in range(WIDTH):
for i in range(HEIGHT):
if (i < HEIGHT-20):
img[j][i] = img[j][i+20]
plt.imshow(img)
plt.show()
向上平移
for j in range(WIDTH):
for i in range(HEIGHT):
if (j < WIDTH - 20 and j > 20):
img[j][i] = img[j+20][i]
else:
img[j][i] = 0
plt.imshow(img)
plt.show()
向下平移
for j in range(WIDTH, 1, -1):
for i in range(278):
if (j < 144 and j > 20):
img[j][i] = img[j-20][i]
plt.imshow(img)
plt.show()
噪声（Noise）
噪声是一种有趣的增强技术，我开始对这类操作变得更加熟悉。 我已经看过很多有趣的关于对抗网络训练的论文，将一些噪声加入到图像中，模型便无法正确分类。 我仍然在寻找能产生比下图更好的添加噪声的方法。 添加噪声可能使畸变更明显，并使模型更加稳健。
添加噪声
noise = np.random.randint(5, size = (164, 278, 4), dtype = ‘uint8’)
for i in range(WIDTH):
for j in range(HEIGHT):
for k in range(DEPTH):
if (img[i][j][k] != 255):
img[i][j][k] += noise[i][j][k]
plt.imshow(img)
plt.show()
生成对抗网络（GAN）
我阅读过很多将生成对抗网络用于数据增强的文献，下面是我使用MNIST数据集生成的一些图像。
正如上图看到的那样，它们看起来确实像3，7和9。 我想扩展网络结构来支持的300x300x3尺寸的输出，而不是28x28x1 MNIST的数字，但是遇到了一些麻烦。 但是，我对这项研究感到非常兴奋，并期待继续这项研究！
感谢您阅读本文，希望您现在知道如何实现基本的数据扩充以改进您的分类模型！