imgaug库指南（12）：从入门到精通的【图像增强】之旅

引言

在深度学习和计算机视觉的世界里，数据是模型训练的基石，其质量与数量直接影响着模型的性能。然而，获取大量高质量的标注数据往往需要耗费大量的时间和资源。正因如此，数据增强技术应运而生，成为了解决这一问题的关键所在。而imgaug，作为一个功能强大的图像增强库，为我们提供了简便且高效的方法来扩充数据集。本系列博客将带您深入了解如何运用imgaug进行图像增强，助您在深度学习的道路上更进一步。我们将从基础概念讲起，逐步引导您掌握各种变换方法，以及如何根据实际需求定制变换序列。让我们一起深入了解这个强大的工具，探索更多可能性，共同推动深度学习的发展。

---

前期回顾

链接	主要内容
imgaug库指南（一）：从入门到精通的【图像增强】之旅	介绍了imgaug库的主要功能、安装方式、提供一个简单的数据增强示例(针对一副图像)
imgaug库指南（二）：从入门到精通的【图像增强】之旅	介绍了如何利用imgaug库对批量图像进行数据增强并可视化
imgaug库指南（三）：从入门到精通的【图像增强】之旅	详细介绍了imgaug库的数据增强方法 —— 高斯模糊
imgaug库指南（四）：从入门到精通的【图像增强】之旅	详细介绍了imgaug库的数据增强方法 —— 均值模糊
imgaug库指南（五）：从入门到精通的【图像增强】之旅	详细介绍了imgaug库的数据增强方法 —— 中值模糊/滤波，并介绍了如何利用【中值滤波】过滤椒盐噪声
imgaug库指南（六）：从入门到精通的【图像增强】之旅	详细介绍了imgaug库的数据增强方法 —— 双边模糊/滤波
imgaug库指南（七）：从入门到精通的【图像增强】之旅	详细介绍了imgaug库的数据增强方法 —— 运动模糊
imgaug库指南（八）：从入门到精通的【图像增强】之旅	详细介绍了imgaug库的数据增强方法 —— 均值迁移模糊
imgaug库指南（九）：从入门到精通的【图像增强】之旅	详细介绍了imgaug库的数据增强方法 —— 加性噪声(Add方法)
imgaug库指南（十）：从入门到精通的【图像增强】之旅	详细介绍了imgaug库的数据增强方法 —— 加性噪声(AddElementwise方法)

在本博客中，我们将向您详细介绍imgaug库的数据增强方法 —— 加性拉普拉斯噪声(AdditiveLaplaceNoise方法)。

---

加性拉普拉斯噪声(AdditiveLaplaceNoise方法)

功能介绍

AdditiveLaplaceNoise是imgaug库中的一个方法，用于向图像添加拉普拉斯噪声。拉普拉斯噪声是一种具有重尾分布的噪声，与高斯噪声相比，它在远离均值的地方有更多的值。这种噪声常常被用来模拟图像在恶劣条件下的退化。

The laplace distribution is similar to the gaussian distribution, but puts more weight on the long tail. Hence, this noise will add more outliers (very high/low values). It is somewhere between gaussian noise and salt and pepper noise.
翻译：拉普拉斯分布与高斯分布有一定相似性，但它在长尾区域赋予了更多的权重。这种特性使得噪声中异常值（过高或过低的数值）出现的几率增加。在噪声类型上，拉普拉斯噪声处于高斯噪声和椒盐噪声之间，为我们提供了更多的选择和灵活性。

语法

import imgaug.augmenters as iaa
aug = iaa.AdditiveLaplaceNoise(loc=0, scale=(0, 15), per_channel=False)

• loc: 产生噪声的拉普拉斯分布的均值。
  • 若loc为整数，则噪声的均值即为value；
  • 若loc为元组(a, b)，则均值为从区间[a, b]中采样的随机数；
  • 若loc为列表，则均值为从列表中随机采样的数；
• scale: 产生噪声的拉普拉斯分布的标准差。
  • 若scale为整数，则噪声的标准差即为scale；
  • 若scale为元组(a, b)，则噪声的标准差为从区间[a, b]中采样的随机数；
  • 若scale为列表，则噪声的标准差为从列表中随机采样的数；
• per_channel:
  • 若per_channel为True，则为每幅图像的每个像素点对应的通道上加上随机整数 ==> RGB图像指定像素位置上的三个通道分别对应三个随机整数，且每个像素点都对应不同的三个随机整数；
  • 若per_channel为False，则为每幅图像的每个像素点对应的通道上加上随机采样的相同整数 ==> RGB图像指定像素位置上的三个通道都是同一个随机整数，但每个像素点都对应不同的随机整数；
  • 若per_channel为区间[0,1]的浮点数，假设per_channel=0.6，那么对于60%的图像，per_channel为True；对于剩余的40%的图像，per_channel为False；

示例代码

1. 使用不同的loc

import cv2
import imgaug.augmenters as iaa
import matplotlib.pyplot as plt

# 读取图像
img_path = r"D:\python_project\lena.png"
img = cv2.imread(img_path)
image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)


# 创建数据增强器
aug1 = iaa.AdditiveLaplaceNoise(loc=0, scale=30, per_channel=False)
aug2 = iaa.AdditiveLaplaceNoise(loc=60, scale=30, per_channel=False)
aug3 = iaa.AdditiveLaplaceNoise(loc=120, scale=30, per_channel=False)



# 对图像进行数据增强
blurred_image1 = aug1(image=image)
blurred_image2 = aug2(image=image)
blurred_image3 = aug3(image=image)

# 展示原始图像和数据增强后的图像
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
axes[0][0].imshow(image)
axes[0][0].set_title("Original Image")
axes[0][1].imshow(blurred_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(blurred_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(blurred_image3)
axes[1][1].set_title("Augmented Image3")
plt.show()

运行结果如下：

图1 原图及数据增强结果可视化

可以看到，三幅数据增强后的图像，其亮度相对于原图而言，都整体变亮/暗了，并且出现了大量噪声。

2. 使用不同的scale

import cv2
import imgaug.augmenters as iaa
import matplotlib.pyplot as plt

# 读取图像
img_path = r"D:\python_project\lena.png"
img = cv2.imread(img_path)
image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 创建增强器
aug1 = iaa.AdditiveLaplaceNoise(loc=60, scale=0, per_channel=False)
aug2 = iaa.AdditiveLaplaceNoise(loc=60, scale=30, per_channel=False)
aug3 = iaa.AdditiveLaplaceNoise(loc=60, scale=60, per_channel=False)

# 对图像进行数据增强
blurred_image1 = aug1(image=image)
blurred_image2 = aug2(image=image)
blurred_image3 = aug3(image=image)

# 展示原始图像和数据增强后的图像
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
axes[0][0].imshow(image)
axes[0][0].set_title("Original Image")
axes[0][1].imshow(blurred_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(blurred_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(blurred_image3)
axes[1][1].set_title("Augmented Image3")
plt.show()

运行结果如下：

图2 原图及数据增强结果可视化

可以从图2看出：

• 当标准差参数scale=0时⇒ 增强器为RGB图像的每个像素位置上都添加了相同的数值 ⇒ 数据增强后，新图像亮度整体变大了(均值为60)，且无噪声。
• 当标准差参数scale!=0时⇒ 增强器为RGB图像的每个像素位置上都添加了随机的数值 ⇒ 数据增强后，新图像亮度整体变大了(均值为60)，且出现了大量噪声。

注意事项

1. 噪声的特性：拉普拉斯噪声是一种具有重尾分布的噪声，它会产生较亮的像素值，这可能会影响到图像的视觉效果。
2. 标准差的选择：scale参数决定了噪声的强度。较大的标准差会产生更明显的噪声，而较小的标准差则产生较弱的噪声。需要根据实际需求调整。
3. 通道独立性：如果设置了per_channel=True，则会对每个通道独立地应用噪声。这在某些情况下可能是有用的，例如，当你想对图像的不同颜色通道应用不同的噪声时。
4. 与其他增强器的结合使用：可以与其他图像增强方法结合使用，以获得更丰富的效果。例如，可以先应用中值模糊，然后再添加拉普拉斯噪声。
5. 数值范围：在添加噪声后，需要确保图像的像素值仍然在合适的范围内（例如，对于8位图像，范围是0-255）。如果超出范围，可能会导致图像失真。

总结

AdditiveLaplaceNoise是imgaug库中一个非常有用的方法，用于向图像添加拉普拉斯噪声。这种噪声在模拟图像在恶劣条件下的退化时非常有用。使用时需要注意噪声的特性、标准差的调整、通道独立性的选择、与其他增强器的结合以及数值范围等问题。

---

小结

imgaug是一个强大的图像增强库，它可以帮助你创建出丰富多样的训练数据，从而改进你的深度学习模型的性能。通过定制变换序列和参数，你可以轻松地适应各种应用场景，从计算机视觉到医学影像分析。随着深度学习的发展，imgaug在未来将继续发挥重要作用。因此，将imgaug纳入你的数据增强工具箱是一个明智的选择。

参考链接

---

结尾

亲爱的读者，首先感谢您抽出宝贵的时间来阅读我们的博客。我们真诚地欢迎您留下评论和意见，因为这对我们来说意义非凡。
俗话说，当局者迷，旁观者清。您的客观视角对于我们发现博文的不足、提升内容质量起着不可替代的作用。
如果您觉得我们的博文给您带来了启发，那么，希望您能为我们点个免费的赞/关注，您的支持和鼓励是我们持续创作的动力。
请放心，我们会持续努力创作，并不断优化博文质量，只为给您带来更佳的阅读体验。
再次感谢您的阅读，愿我们共同成长，共享智慧的果实！