imgaug库指南（13）：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（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)
imgaug库指南（11）：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 —— 加性高斯噪声(AdditiveGaussianNoise方法)
imgaug库指南（12）：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 —— 加性拉普拉斯噪声(AdditiveLaplaceNoise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 —— 加性泊松噪声(AdditivePoissonNoise方法)。

---

加性泊松噪声(AdditivePoissonNoise方法)

功能介绍

AdditivePoissonNoise是imgaug库中的核心方法之一，专为给图像添加泊松分布的噪声而设计。泊松分布，作为自然现象随机性的数学模型，尤其适用于模拟光斑或颗粒分布等效果。此方法不仅有助于增强图像的真实感，更可模拟现实世界中的随机噪声，为图像处理领域带来更多自然与真实的视觉体验。

语法

import imgaug.augmenters as iaa
aug = iaa.AdditivePoissonNoise(lam=(0.0, 15.0), per_channel=False)

• lam: 泊松分布的λ参数，λ>=0， 推荐λ的选择范围是[0, 10]。
  • 若lam为整数，则泊松分布的λ参数即为value；
  • 若lam为元组(a, b)，则泊松分布的λ参数为从区间[a, b]中采样的随机数；
  • 若lam为列表，则泊松分布的λ参数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lam

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.AdditivePoissonNoise(lam=3, per_channel=False)
aug2 = iaa.AdditivePoissonNoise(lam=9, per_channel=False)
aug3 = iaa.AdditivePoissonNoise(lam=15, 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，都出现不同程度的噪声。当lam参数越大时，噪声越明显。

2. 当per_channel为True

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.AdditivePoissonNoise(lam=3, per_channel=True)
aug2 = iaa.AdditivePoissonNoise(lam=9, per_channel=True)
aug3 = iaa.AdditivePoissonNoise(lam=15, per_channel=True)

# 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(放大图片非常明显)，当per_channel为True时 ⇒ 增强器为RGB图像的每个像素位置上对应的三个通道都分别添加了三个随机整数 ⇒ 数据增强后，新图像出现了彩色失真(加性噪声)。

注意事项

1. λ参数的选择：λ参数可以控制噪声的强度。较大的值会产生更明显的噪声效果。根据需要调整该参数，以在图像的真实性和噪声程度之间找到平衡。
2. 通道独立性：如果设置了per_channel=True，则每个通道将使用独立的噪声强度。这在处理多通道图像（如RGB图像）时特别有用，可以独立调整每个通道的噪声水平。
3. 与其他增强器的结合：可以与其他图像增强方法结合使用，以产生更复杂的效果。例如，可以先应用模糊，然后再添加泊松噪声，模拟更接近真实世界的噪声分布。

总结

在处理图像时，我们运用AdditivePoissonNoise方法，能够有效地增加图像的真实感，或模拟自然现象中的随机性。当与其他图像增强器结合使用时，其效果更为突出，能够创造出丰富多样的图像效果。然而，在使用过程中，我们需要注意几个关键点。首先，噪声强度的选择至关重要，它决定了图像增强的程度。其次，通道独立性的考虑使得我们能够独立调整每个通道的噪声水平，这在处理多通道图像时尤为重要。此外，合理地与其他增强器结合使用，能够进一步提升图像增强的效果。最后，我们还需要关注计算效率，特别是在处理大规模图像时。通过精心调整参数和巧妙地结合其他方法，我们能够获得高质量的图像增强效果，更好地满足各种应用需求。

---

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！