图片数据不够快来试试使用imgaug增强数据

导读

我们经常会遇到训练模型时数据不够的情况,而且很多时候无法再收集到更多的数据,只能通过做一些数据增强或者其它的方法来合成一些数据。常用的数据增强方式有裁剪旋转缩放亮度对比度色度饱和度变换,这篇文章我们来介绍一个更方便更多方式的数据增强,我们将会通过imgaug库来实现。

imgaug

imgaug是一个python的图像增强库,它能够通过输入图片产生新图片的集合,能够通过不同的策略来改变图片以达到数据增强的目的。
它能够应用于图像分类图像分割关键点定位目标检测等任务的数据增强
github地址:https://github.com/aleju/imgaug

特点

  • 多种数据增强技术
    仿射变换、透视变换、对比度改变、高斯噪声添加、色度饱和度变化、随机裁剪、模糊处理
    只处理部分图片
    随机顺序组合策略进行数据增强
  • 支持多种任务处理
    Images、Heatmaps、Segmentation Maps、mask、keypoints、landmarks、Bounding Boxes、Polygons、Line Strings
  • 支持多种数据分布
    根据不同的数据分布来产生随机参数,支持均匀分布高斯分布beta分布
  • 内置多种辅助函数
    绘制heatmaps、segmentation maps、keypoints、bounding boxes等
    缩放segmentation maps、平均池化、最大池化等
  • 多核CPU数据增强

安装

  • 环境要求
    python2.7python3.4+
  • 使用conda安装和卸载
#安装
conda config --add channels conda-forge
conda install imgaug
#卸载
conda remove imgaug
  • 使用pip安装和卸载
#安装
pip install imgaug
#使用git上最新版本进行安装
pip install git+https://github.com/aleju/imgaug.git
#卸载
pip uninstall imgaug

使用示例

  • 简单的数据增强
import numpy as np
import imgaug as ia
import imgaug.augmenters as iaa
import cv2

def simple_example():
    seq = iaa.Sequential([
        #从图片边随机裁剪50~100个像素,裁剪后图片的尺寸和之前不一致
        #通过设置keep_size为True可以保证裁剪后的图片和之前的一致
        iaa.Crop(px=(50,100),keep_size=False),
        #50%的概率水平翻转
        iaa.Fliplr(0.5),
        #50%的概率垂直翻转
        iaa.Flipud(0.5),
        #高斯模糊,使用高斯核的sigma取值范围在(0,3)之间
        #sigma的随机取值服从均匀分布
        iaa.GaussianBlur(sigma=(0,3.0))
    ])
    #可以内置的quokka图片,设置加载图片的大小
    # example_img = ia.quokka(size=(224,224))
    #这里我们使用自己的图片
    example_img = cv2.imread("example.jpg")
    #对图片的通道进行转换,由BGR转为RGB
    #imgaug处理的图片数据是RGB通道
    example_img = example_img[:,:,::-1]
    #数据增强,针对单张图片
    aug_example_img = seq.augment_image(image=example_img)
    print(example_img.shape,aug_example_img.shape)
    #(700, 700, 3) (544, 523, 3)
    #显示图片
    ia.imshow(aug_example_img)

simple_example()

图片数据不够快来试试使用imgaug增强数据_第1张图片

  • 结合多种数据增强策略
import numpy as np
import imgaug as ia
import imgaug.augmenters as iaa
import cv2

#设置随机数种子
ia.seed(8)

def example():
    #读取图片
    example_img = cv2.imread("example.jpg")
    #通道转换
    example_img = example_img[:, :, ::-1]
    #对图片进行缩放处理
    example_img = cv2.resize(example_img,(224,224))
    seq = iaa.Sequential([
        iaa.Fliplr(0.5),
        #随机裁剪图片边长比例的0~0.1
        iaa.Crop(percent=(0,0.1)),
        #Sometimes是指指针对50%的图片做处理
        iaa.Sometimes(
            0.5,
            #高斯模糊
            iaa.GaussianBlur(sigma=(0,0.5))
        ),
        #增强或减弱图片的对比度
        iaa.LinearContrast((0.75,1.5)),
        #添加高斯噪声
        #对于50%的图片,这个噪采样对于每个像素点指整张图片采用同一个值
        #剩下的50%的图片,对于通道进行采样(一张图片会有多个值)
        #改变像素点的颜色(不仅仅是亮度)
        iaa.AdditiveGaussianNoise(loc=0,scale=(0.0,0.05*255),per_channel=0.5),
        #让一些图片变的更亮,一些图片变得更暗
        #对20%的图片,针对通道进行处理
        #剩下的图片,针对图片进行处理
        iaa.Multiply((0.8,1.2),per_channel=0.2),
        #仿射变换
        iaa.Affine(
            #缩放变换
            scale={"x":(0.8,1.2),"y":(0.8,1.2)},
            #平移变换
            translate_percent={"x":(-0.2,0.2),"y":(-0.2,0.2)},
            #旋转
            rotate=(-25,25),
            #剪切
            shear=(-8,8)
        )
    #使用随机组合上面的数据增强来处理图片
    ],random_order=True)
    #生成一个图片列表
    example_images = np.array(
        [example_img for _ in range(32)],
        dtype=np.uint8
    )
    aug_imgs = seq(images = example_images)
    #显示图片
    ia.show_grid(aug_imgs,rows=4,cols=8)

example()

  • bounding box的数据增强
from imgaug.augmentables.bbs import BoundingBox,BoundingBoxesOnImage

def bounding_box_example():
    #读取图片
    img = cv2.imread("example.jpg")
    #变换通道
    img = img[:, :, ::-1]
    bbs = BoundingBoxesOnImage([
        #目标在图片上的位置
        BoundingBox(x1=340,y1=236,x2=598,y2=481)
    ],shape=img.shape)
    #数据增强
    seq = iaa.Sequential([
        iaa.AdditiveGaussianNoise(scale=0.05*255),
        iaa.Affine(translate_px={"x":(10,100)})
    ])
    #变换后的图片和box
    img_aug,bbs_aug = seq(image=img,bounding_boxes=bbs)
    #绘制变换前box在图片上的位置
    img_before = bbs.draw_on_image(img,size=2)
    #绘制图片变换后box在图片上的位置
    img_after = bbs_aug.draw_on_image(img_aug,size=2,color=[255,0,0])
    ia.show_grid([img_before,img_after],rows=1,cols=2)


bounding_box_example()

图片数据不够快来试试使用imgaug增强数据_第2张图片
通过上面两张图对比,可以发现变换前后,box在图片上的位置并没有发生变化。

  • 数据增强参数的数据分布设置
def param_distribution():
    img = cv2.imread("example.jpg")
    img = img[:,:,::-1]
    #高斯模糊数据增强,参数服从均匀分布
    aug_blurer = iaa.GaussianBlur(10 + iap.Uniform(0.1,3.0))
    img_aug = aug_blurer(image=img)
    #Clip裁剪参数的范围,使其在0.1到3.0之间
    aug_blurer = iaa.GaussianBlur(iap.Clip(iap.Normal(1.0,0.1),0.1,3.0))
    img_aug = aug_blurer(image=img)
  • 针对部分通道进行数据增强处理
import numpy as np
import imgaug.augmenters as iaa

# fake RGB images
images = np.random.randint(0, 255, (16, 128, 128, 3), dtype=np.uint8)

# add a random value from the range (-30, 30) to the first two channels of
# input images (e.g. to the R and G channels)
aug = iaa.WithChannels(
  channels=[0, 1],
  children=iaa.Add((-30, 30))
)

images_aug = aug(images=images)

你可能感兴趣的:(Python修炼之路)