动手实践：实现图片数据增强（Data Augmentation ）

     众所周知，数据对于神经网络的训练至关重要。一般来说，原始数据量越大，训练出来的模型精度越高，泛化能力越强。但是，做数据标注费时费力，往往不容易收集太多。利用已有的数据，通过翻转等数据处理，可以制造出更多的图片，进而提高网络的精度和泛化能力。

1.从github上下载源代码。

git clone https://github.com/aleju/imgaug.git

2.制作说明文档

cd imgaug/docs

make html

    报错：/usr/bin/python: No module named sphinx

    解决：sudo pip install sphinx

    报错：exception: No module named numpydoc

    解决：sudo pip install  numpydoc

                sudo pip install sphinx_rtd_theme

再次：

make html

编译成功后，打开 ./docs/_build/html/index.html，出现如下的网页，意味着说明书制作成功。

3.安装

查看"installation"安装说明，选择一种方式安装，我用的是：

 sudo pip install imgaug

检验是否安装成功，在终端中输入: python

然后：

import imgaug

未报错，证明已经安装成功。

4.测试程序

参照说明书中的Examples：basics，处理一张本地的图片，程序如下：

#!/usr/bin/env python2
# -*- coding: utf-8 -*-
"""
Created on Mon Mar 26 15:26:49 2018

@author: user
"""

from imgaug import augmenters as iaa
import cv2

seq = iaa.Sequential([
    iaa.Crop(px=(0, 16)), # crop images from each side by 0 to 16px (randomly chosen)
    iaa.Fliplr(0.5), # horizontally flip 50% of the images
    iaa.GaussianBlur(sigma=(0, 3.0)) # blur images with a sigma of 0 to 3.0
])

imglist=[]
#for batch_idx in range(1000):
    # 'images' should be either a 4D numpy array of shape (N, height, width, channels)
    # or a list of 3D numpy arrays, each having shape (height, width, channels).
    # Grayscale images must have shape (height, width, 1) each.
    # All images must have numpy's dtype uint8. Values are expected to be in
    # range 0-255.
img = cv2.imread('/home/thm/imgaug/imgaug/quokka.jpg')
#images = load_batch(batch_idx)
imglist.append(img)

images_aug = seq.augment_images(imglist)
cv2.imwrite('

/home/thm/imgaug/imgaug/quokka_.jpg',images_aug[0]

#train_on_images(images_aug)
 

结果：

原图

处理后：

其他的处理方法大家可以动手实践。

https://github.com/aleju/imgaug4