深度学习数据增强方法-内含（亮度增强，对比度增强，旋转图图像，翻转图像，仿射变化扩充图像，错切变化扩充图像，HSV数据增强）七种方式进行增强-每种扩充一张实现7倍扩）+ 图像缩放代码-批量

        在进行深度学习训练的时候，我们往往会面临数据集不够的情况，需要进行数据集的扩充，数据集的扩充有多种多样的方式，在这里总结了7种数据扩充的方法对数据进行数据增强，包括：亮度增强，对比度增强，翻转图像，仿射变化扩充图像，错切变化扩充图像，HSV数据增强7种方法对数据进行增强。

前四种方式很好理解，仿射变化和错切变化的原理请参考：

数据增广：旋转，缩放，平移以及错切_太阳花的小绿豆的博客-CSDN博客

HSV数据增强的原理请参考：

HSV模型简介以及利用HSV模型随机增强图像_太阳花的小绿豆的博客-CSDN博客_hsv模型

废话少说，我们直接贴代码：以下代码的操作均为批量操作

在我们进行数据扩充之前，我们面临一个问题就是，我们收集的图片可能存在不同种格式的例如：png jpg bmp等，为了更好的进行数据扩充，我们首先需要将图片统一调整为jpg格式的。

代码如下：

import cv2 as cv
import os

data = ('begin')#输入放置图片的文件夹，当前文件夹下 新建个文件夹，放入即可这里写文件夹的名字
daddir = './'

old_path = daddir + data + '\\'
new_path = 'jpg'#新文件夹用来存储转换之后的图片的   当前文件夹下 新建个文件夹，放入即可这里写文件夹的名字
if not os.path.exists(new_path):
    os.mkdir(new_path)
print('开始转换' )
print('转换后的文件存入 ' + new_path + '文件夹中')

path_list = os.listdir(old_path)
path_list.sort()
for filename in path_list:
    portion = os.path.splitext(filename)
    src = cv.imread(old_path + filename)
    cv.imwrite(new_path + '\\' + portion[0] + '.jpg', src)

print('转换完毕，文件已经存入 ' + new_path + ' 中')

在代码的当前文件夹下，新建一个名为begin的文件夹用于存放需要转换的图片，新建一个名为jpg的文件夹用于存放转换后的图片。

当我们将所有图片都转换为jpg格式之后，我们就可以开始进行数据扩充了，我们根据七种数据扩充方法，对数据集进行扩充，每种方法扩充一张相当于七种方法可以使得原来的数据集扩充七倍。

代码如下：

import math
import cv2
import numpy
from PIL import ImageEnhance
import os
import numpy as np
from PIL import Image


def brightnessEnhancement(root_path,img_name):#亮度增强
    image = Image.open(os.path.join(root_path, img_name))
    enh_bri = ImageEnhance.Brightness(image)
    # brightness = 1.1+0.4*np.random.random()#取值范围1.1-1.5
    brightness = 1.5
    image_brightened = enh_bri.enhance(brightness)
    return image_brightened


def contrastEnhancement(root_path, img_name):  # 对比度增强
    image = Image.open(os.path.join(root_path, img_name))
    enh_con = ImageEnhance.Contrast(image)
    # contrast = 1.1+0.4*np.random.random()#取值范围1.1-1.5
    contrast = 1.5
    image_contrasted = enh_con.enhance(contrast)
    return image_contrasted

def rotation(root_path, img_name):
    img = Image.open(os.path.join(root_path, img_name))
    random_angle = np.random.randint(-2, 2)*90
    if random_angle==0:
     rotation_img = img.rotate(-90) #旋转角度
    else:
        rotation_img = img.rotate( random_angle)  # 旋转角度
    # rotation_img.save(os.path.join(root_path,img_name.split('.')[0] + '_rotation.jpg'))
    return rotation_img

def flip(root_path,img_name):   #翻转图像
    img = Image.open(os.path.join(root_path, img_name))
    filp_img = img.transpose(Image.FLIP_LEFT_RIGHT)
    # filp_img.save(os.path.join(root_path,img_name.split('.')[0] + '_flip.jpg'))
    return filp_img

def fangshe_bianhuan(root_path,img_name): #仿射变化扩充图像
    img = Image.open(os.path.join(root_path, img_name))

    img = cv2.cvtColor(numpy.asarray(img) , cv2.COLOR_RGB2BGR)

    h, w = img.shape[0], img.shape[1]
    m = cv2.getRotationMatrix2D(center=(w // 2, h // 2), angle=-30, scale=0.5)
    r_img = cv2.warpAffine(src=img, M=m, dsize=(w, h), borderValue=(0, 0, 0))

    r_img = Image.fromarray(cv2.cvtColor(r_img, cv2.COLOR_BGR2RGB))
    return r_img

def cuoqie(root_path,img_name): #错切变化扩充图像
    img = Image.open(os.path.join(root_path, img_name))

    img = cv2.cvtColor(numpy.asarray(img) , cv2.COLOR_RGB2BGR)

    h, w = img.shape[0], img.shape[1]
    origin_coord = np.array([[0, 0, 1], [w, 0, 1], [w, h, 1], [0, h, 1]])

    theta = 30  # shear角度
    tan = math.tan(math.radians(theta))

    # x方向错切
    m = np.eye(3)
    m[0, 1] = tan
    shear_coord = (m @ origin_coord.T).T.astype(np.int)
    shear_img = cv2.warpAffine(src=img, M=m[:2],
                               dsize=(np.max(shear_coord[:, 0]), np.max(shear_coord[:, 1])),
                               borderValue=(0, 0, 0))



    c_img = Image.fromarray(cv2.cvtColor(shear_img, cv2.COLOR_BGR2RGB))
    return c_img

def hsv(root_path,img_name):#HSV数据增强
    h_gain , s_gain , v_gain = 0.5 , 0.5 , 0.5
    img = Image.open(os.path.join(root_path, img_name))

    img = cv2.cvtColor(numpy.asarray(img) , cv2.COLOR_RGB2BGR)

    r = np.random.uniform(-1, 1, 3) * [h_gain, s_gain, v_gain] + 1  # random gains
    hue, sat, val = cv2.split(cv2.cvtColor(img, cv2.COLOR_BGR2HSV))
    dtype = img.dtype  # uint8

    x = np.arange(0, 256, dtype=np.int16)
    lut_hue = ((x * r[0]) % 180).astype(dtype)
    lut_sat = np.clip(x * r[1], 0, 255).astype(dtype)
    lut_val = np.clip(x * r[2], 0, 255).astype(dtype)

    img_hsv = cv2.merge((cv2.LUT(hue, lut_hue), cv2.LUT(sat, lut_sat), cv2.LUT(val, lut_val))).astype(dtype)
    aug_img = cv2.cvtColor(img_hsv, cv2.COLOR_HSV2BGR)
    aug_img = Image.fromarray(cv2.cvtColor(aug_img, cv2.COLOR_BGR2RGB))
    return aug_img



def createImage(imageDir,saveDir):#主函数，7种数据扩充方式，每种扩充一张
   i=0
   for name in os.listdir(imageDir):
      i=i+1
      saveName="cesun"+str(i)+".jpg"
      saveImage=contrastEnhancement(imageDir,name)
      saveImage.save(os.path.join(saveDir,saveName))
      saveName1 = "flip" + str(i) + ".jpg"
      saveImage1 = flip(imageDir,name)
      saveImage1.save(os.path.join(saveDir, saveName1))
      saveName2 = "brightnessE" + str(i) + ".jpg"
      saveImage2 = brightnessEnhancement(imageDir, name)
      saveImage2.save(os.path.join(saveDir, saveName2))
      saveName3 = "rotate" + str(i) + ".jpg"
      saveImage = rotation(imageDir, name)
      saveImage.save(os.path.join(saveDir, saveName3))
      saveName4 = "fangshe" + str(i) + ".jpg"
      saveImage = fangshe_bianhuan(imageDir, name)
      saveImage.save(os.path.join(saveDir, saveName4))
      saveName5 = "cuoqie" + str(i) + ".jpg"
      saveImage = cuoqie(imageDir, name)
      saveImage.save(os.path.join(saveDir, saveName5))
      saveName6 = "hsv" + str(i) + ".jpg"
      saveImage = hsv(imageDir, name)
      saveImage.save(os.path.join(saveDir, saveName6))


imageDir="jpg" #要改变的图片的路径文件夹  在当前文件夹下，建立文件夹即可
saveDir="kuochong"   #数据增强生成图片的路径文件夹
print('文件的初始文件夹为：' + imageDir)
print('----------------------------------------')
print('文件的转换后存入的文件夹为：' + saveDir)
print('----------------------------------------')
print('开始转换')
print('----------------------------------------')
createImage(imageDir,saveDir)
print('----------------------------------------')
print("数据扩充完成")

在代码的当前文件夹下，新建一个名为kuochong的文件夹用来存放扩充之后的数据集。转换成功之后即可得到增强之后的数据集。

图像缩放，我们采集的数据图片大小很多时候是不固定尺度的，但是神经网络的输入一般都是固定尺度的，因此我们需要将所有的图片缩放到统一大小的才能打入网络进行训练。

图片缩放代码：

import os
import cv2

# 原图片存放文件夹
olapath = r'resize_begin'
# 修改后存放文件夹
newpath = r'resize_end\\'
# 读文件夹下所有图片名称
data = os.listdir(olapath)

print('----------------------------------------')
print("开始修改尺寸！")
print('----------------------------------------')
for image in data:
    img = cv2.imread(olapath + "\\" + image)
    H, W = img.shape[0], img.shape[1]
    width = 120  #需要缩放成多大，这里直接修改就行，我这里是缩放成120*120，根据自己的需要修改成响应的数值即可
    height = 120
    img = cv2.resize(img, (width, height), interpolation=cv2.INTER_AREA)
    # 保存图片
    cv2.imwrite(newpath + image, img)

print("尺寸修改完毕！")
print('----------------------------------------')

代码下载链接：

链接：https://pan.baidu.com/s/1CIu1QkNvNsR_7W5LE2Mgbg 
提取码：kp2r