2024年最新图像数据增强算法汇总(Python)_图像融合数据增强

flip_direction

参数可以取以下三个值:

  • 0:垂直翻转(沿x轴翻转)
  • 1:水平翻转(沿y轴翻转)
  • -1:同时在水平和垂直方向翻转
# 随机翻转
flip_direction = np.random.randint(-1, 2)  # 随机选择水平、垂直或不翻转
flipped_image = cv2.flip(image, flip_direction)

在这里插入图片描述

2.随机裁剪

随机裁剪可以根据设定randint来随机生成裁剪的起始坐标,image.shape[1] 表示图像的宽度,image.shape[0] 表示图像的高度。

通过以下代码:

# 随机裁剪
crop_x = np.random.randint(0, image.shape[1] - 100)
crop_y = np.random.randint(0, image.shape[0] - 100)
cropped_image = image[crop_y:crop_y+100, crop_x:crop_x+100]

np.random.randint(0, image.shape[1] - 100) 会在图像的宽度范围内随机生成一个起始点横坐标,保证裁剪后剩余的宽度至少为 100 像素。同理,np.random.randint(0, image.shape[0] - 100) 会在图像的高度范围内随机生成一个起始点纵坐标,保证裁剪后剩余的高度至少为 100 像素。

image[crop_y:crop_y+100, crop_x:crop_x+100] 表示在图像上从 crop_ycrop_y+100 行,从 crop_xcrop_x+100 列的区域,即裁剪了一个 100x100 大小的区域。

  • 18
    点赞
  • 25
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
需要学习Windows系统YOLOv4的同学请前往《Windows版YOLOv4目标检测实战:原理与源码解析》,课程链接 https://edu.csdn.net/course/detail/29865【为什么要学习这门课】 Linux创始人Linus Torvalds有一句名言:Talk is cheap. Show me the code. 冗谈不够,放码过来!  代码阅读是从基础到提高的必由之路。尤其对深度学习,许多框架隐藏了神经网络底层的实现,只能在上层调包使用,对其内部原理很难认识清晰,不利于进一步优化和创新。YOLOv4是最近推出的基于深度学习的端到端实时目标检测方法。YOLOv4的实现darknet是使用C语言开发的轻型开源深度学习框架,依赖少,可移植性好,可以作为很好的代码阅读案例,让我们深入探究其实现原理。【课程内容与收获】 本课程将解析YOLOv4的实现原理和源码,具体内容包括:- YOLOv4目标检测原理- 神经网络及darknet的C语言实现,尤其是反向传播的梯度求解和误差计算- 代码阅读工具及方法- 深度学习计算的利器:BLAS和GEMM- GPU的CUDA编程方法及在darknet的应用- YOLOv4的程序流程- YOLOv4各层及关键技术的源码解析本课程将提供注释后的darknet的源码程序文件。【相关课程】 除本课程《YOLOv4目标检测:原理与源码解析》外,本人推出了有关YOLOv4目标检测的系列课程,包括:《YOLOv4目标检测实战:训练自己的数据集》《YOLOv4-tiny目标检测实战:训练自己的数据集》《YOLOv4目标检测实战:人脸口罩佩戴检测》《YOLOv4目标检测实战:中国交通标志识别》建议先学习一门YOLOv4实战课程,对YOLOv4的使用方法了解以后再学习本课程。【YOLOv4网络模型架构图】 下图由白勇老师绘制  
Python中,有多种图像增强算法可以使用。其中一种常见的算法图像反转。该算法通过求取每个像素的暗通道,然后根据透射率对每个通道进行去雾操作,从而增强图像的效果。以下是一个示例代码: ```python import cv2 import argparse import numpy as np def hazeRemoval(img, w=0.7, t0=0.1): # 求每个像素的暗通道 darkChannel = img.min(axis=2) # 取暗通道的最大值最为全球大气光 A = darkChannel.max() darkChannel = darkChannel.astype(np.double) # 利用公式求得透射率 t = 1 - w * (darkChannel / A) # 设定透射率的最小值 t[t < t0 = t0 J = img # 对每个通道分别进行去雾 J[:, :, 0 = (img[:, :, 0 - (1 - t) * A) / t J[:, :, 1 = (img[:, :, 1 - (1 - t) * A) / t J[:, :, 2 = (img[:, :, 2 - (1 - t) * A) / t return J def main(): ap = argparse.ArgumentParser() ap.add_argument('--image', required=True) args = vars(ap.parse_args()) hazeImage = cv2.imread(args["image"]) result = hazeRemoval(hazeImage.copy()) cv2.imshow("HazeRemoval", np.hstack([hazeImage, result])) cv2.waitKey(0) if __name__ == '__main__': main() ``` 另外一个常见的图像增强算法是通过对图像的像素进行阈值处理来增强图像的对比度。以下是一个示例代码: ```python import cv2 import numpy as np img = cv2.imread("test3.jpg", 0) cv2.imshow("img", img) h, w = img.shape for i in range(h): for j in range(w): if 100 < img[i][j < 180: img[i][j = 150 else: img[i][j = 25 cv2.imshow("img_test", img) cv2.waitKey() ``` 这段代码将读取一张灰度图像,并通过设置阈值来对像素进行增强,从而改变图像的对比度。你可以根据具体需求调整阈值和像素值来实现不同的图像增强效果。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [传统图像增强算法python实现](https://blog.csdn.net/xspyzm/article/details/116995049)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值