【学习记录-街景字符识别】TASK 2：数据读取与数据扩增
街景字符识别-数据读取与数据扩增
- 1.图像读取
- 1.1 Pillow
- 1.2 OpenCV
- 2.数据扩增
- 3.pytorch读取数据
- 4.小结
本文是在用定长字符识别的思路前提下对图像读取和数据扩增进行学习。
1.图像读取
本赛题数据为图像数据，因此采用的库需要完成对图像的读取，常见的有Pillow和OpenCV。
1.1 Pillow
Pillow是Python图像处理函数库（PIL）的一个分支，提供常见的图像读取和处理的操作，可以与notebook无缝集成，是应用比较广泛的库。
from PIL import Image # 导入Pillow库
im = Image.open('cat.jpg') # 读取图片
# 应用模糊滤镜
im2 = im.filter(ImageFilter.BLUR)
im2.save('blur.jpg','jpeg')
# 按比例缩小图像
im3 = im.thumbnail((w//2,h//2))
im3.save('thumbnail.jpg','jpeg')
上面展示了部分Pillow的基本操作，还有很多其他的操作，Pillow是图像处理的必备库，可参考官方文档：https://pillow.readthedocs.io/en/stable/
1.2 OpenCV
OpenCV 是一个跨平台的计算机视觉库，最早由Intel开源得来，拥有众多的计算机视觉、数字图像处理和机器视觉等功能。在功能上比Pillow强大许多，学习成本也高很多。
import cv2 # 导入OpenCV库
img = cv2.imread('cat.jpg') # 读取图像
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB) # OpenCV 默认颜色通道顺序是BRG，转换到RGB
img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 转换为灰度图
# Canny边缘检测
edges = cv2.Canny(img,30,70)
cv2.imwrite('canny.jpg',edges)
OpenCV包含了众多的图像处理的功能，只要能想到的与图像相关的操作都有，此外还内置了很多图像特征处理算法，如关键点检测、边缘检测、直线检测等。
OpenCV官网：https://opencv.org/
OpenCV Github：https://github.com/opencv/opencv
OpenCV扩展算法库：https://github.com/opencv/opencv_contrib
2.数据扩增
在深度学习模型的训练过程中，数据扩增是必不可少的环节，现有深度学习的参数非常多，一般的模型可训练的参数量基本都是万到百万级别，而训练集样本的数量又很难这么多，因此引入了数据扩增的思路。它可以增加训练集的样本，同时也可以有效缓解模型过拟合的情况，也可以给模型带来更强的泛化能力。
常见的数据扩增方法有：
| 方法 | 功能 |
|---|---|
| transforms.CenterCrop | 对图片中心进行裁剪 |
| transforms.ColorJitter | 对图像颜色的对比度，饱和度和零度进行变换 |
| transforms.FiveCrop | 对图像四个角和中心进行裁剪得到五分图像 |
| transforms.Grayscale | 对图像进行灰度变换 |
| transforms.Pad | 使用固定值进行像素填充 |
| transforms.RandomAffine | 随机仿射变换 |
| transforms.RandomCrop | 随机区域裁剪 |
| transforms.RandomHorizontalFlip | 随机水平翻转 |
| transforms.RandomRotation | 随机旋转 |
| transforms.RandomVerticalFlip | 随机垂直翻转 |
本次赛题是对字符进行识别，所以用不到翻转操作，会产生歧义。
常用的数据扩增库：
torchvision:pytorch提供的官方库，速度中等；
imgaug、albumentations都是常用的第三方数据扩增库，速度较快。
3.pytorch读取数据
在Pytorch中，数据通过Dataset进行封装，并通过Dataloader进行并行读取，之所以还要用Dataloader是因为这两个不同的概念，是为了实现不同的功能。
Dataset:对数据集的封装，提供索引方式对数据样本进行读取；
Dataloader：对Dataset进行封装，提供批量读取的迭代读取。
import os,sys,glob,shutil,json
import cv2
from PIL import Image
import numpy as np
import torch
from torch.utils.data.dataset import Dataset
import torchvision.transforms as transforms
class SVHNDataset(Dataset):
def __init__(self,img_path,img_label,transform=None):
self.img_path=img_path
self.img_label=img_label
if transform is not None:
self.transform=transform
else:
self.transform=None
def __getitem__(self,index):
img=Image.open(self.img_path[index]).convert('RGB')
if self.transform is not None:
img=self.transform(img)
#原始SVHN中类别10为数字0
lbl=np.array(self.img_label[index],dtype=np.int)
lbl=list(lbl)+(5-len(lbl))*[10]
return img,torch.from_numpy(np.array(lbl[:5]))
def __len__(self):
return len(self.img_path)
train_path=glob.glob('..\mchar_train\*.png')
train_path.sort()
train_json=json.load(open('..\mchar_train.json'))
train_label=[train_json[x]['label'] for x in train_json]
train_loader = torch.utils.data.DataLoader(
SVHNDataset(train_path,train_label,
transforms.Compose([
#缩放到固定尺寸
transforms.Resize((64,128)),
# 随机颜⾊色变换
transforms.ColorJitter(0.3, 0.3, 0.2),
# 加⼊入随机旋转
transforms.RandomRotation(5),
# 将图⽚片转换为pytorch 的tesntor
transforms.ToTensor(),
# 对图像像素进⾏行行归⼀一化
transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])
])),
batch_size=10,#每批样本个数
shuffle=False,#是否打乱顺序
num_workers=0,#读取数据线程个数
)
for data in train_loader:
break
在加入Dataloader后，数据按照批次获取，每批次调用Dataset读取单个样本进行拼接，此时data的格式为：
torch.Size([10,3,64,128])
torch.Size([10,6])
前者为图像文件，为batchsizechanelheight*width次序，后者为字符标签。
4.小结
通过本次任务，我对数据读取进行了详细的学习，并了解了常见的数据扩增方法和使用，最后使用Pytorch框架对数据进行读取。但还是在代码的理解上不够熟悉，希望能在后面的学习中得到提高。