用imgaug对图片进行数据增强

最新推荐文章于 2024-05-06 21:40:02 发布

fff_pragrammer

最新推荐文章于 2024-05-06 21:40:02 发布

阅读量1.1k

点赞数 2

分类专栏：大创学习记录文章标签： python

本文链接：https://blog.csdn.net/fff_pragrammer/article/details/109017493

版权

大创学习记录专栏收录该内容

2 篇文章 0 订阅

订阅专栏

用imgaug对图片进行数据增强

imgaug–introduction

imgaug是一个用于机器学习实验中图像增强的python库，支持python2.7和3.4以上的版本。它支持多种增强技术，允许轻松组合这些技术，具有简单但功能强大的随机界面，可以在这些界面上增加图像和关键点/界标，并在后台进程中提供增强功能以提高性能。

相关详细文档：快速开始，函数示例，API介绍，guthub

安装方法

在自己已经激活的环境中，这里我选择pytorch的环境，输入

pip install imgaug

在这里插入图片描述
最终结果如下

安装成功。
或者想安装最新版本的imgaug，可直接在github上下载源码进行安装，方法如下：

pip install git+https://github.com/aleju/imgaug

函数介绍

函数功能介绍：https://www.pianshen.com/article/624834945/
参数的具体含义说明：
https://blog.csdn.net/u012897374/article/details/80142744

测试程序

整体流程为：定义变换序列（Sequential）→读入图片（imread）→执行变换（augment_images）→保存图片（imwrite）

#!usr/bin/python
# -*- coding: utf-8 -*-
import cv2
from imgaug import augmenters as iaa
import os
 
# Sometimes(0.5, ...) applies the given augmenter in 50% of all cases,
# e.g. Sometimes(0.5, GaussianBlur(0.3)) would blur roughly every second image.
sometimes = lambda aug: iaa.Sometimes(0.5, aug)
 
# 定义一组变换方法.
seq = iaa.Sequential([
 
    # 每个图片选择选择这其中的0到5种方法做变换，随机生成
    #将Augmenter中的部分变换应用在图片处理上，而不是应用所有的Augmenter。例如：可以定义20种变换，但每次只选择其中的5个。但是不支持固定选择某一个Augmenter
   #参数n: 从总的Augmenters中选择多少个。可以是一个int, tuple, list或者随机；random_order:是否每次顺序不一样。
    iaa.SomeOf((0, 5),
        [
                iaa.Fliplr(0.5), # 对50%的图片进行水平镜像翻转
                iaa.Flipud(0.5), # 对50%的图片进行垂直镜像翻转	
																
                # Convert some images into their superpixel representation,
                # sample between 20 and 200 superpixels per image, but do
                # not replace all superpixels with their average, only
                # some of them (p_replace).
                #对batch中的一部分图片应用一部分Augmenters,剩下的图片应用另外的Augmenters。
                sometimes(
                    iaa.Superpixels(
                        p_replace=(0, 1.0),
                        n_segments=(20, 200)
                    )
                ),
 
                # Blur each image with varying strength using
                # gaussian blur (sigma between 0 and 3.0),
                # average/uniform blur (kernel size between 2x2 and 7x7)
                # median blur (kernel size between 3x3 and 11x11).
                #每次从一系列Augmenters中选择一个来变换。
                iaa.OneOf([
                #高斯扰动
                    iaa.GaussianBlur((0, 3.0)),
                 #从最邻近像素中取均值来扰动。
                    iaa.AverageBlur(k=(2, 7)),
                 #通过最近邻中位数来扰动。
                    iaa.MedianBlur(k=(3, 11)),
                ]),
 
                # Sharpen each image, overlay the result with the original
                # image using an alpha between 0 (no sharpening) and 1
                # (full sharpening effect).
                #锐化
                iaa.Sharpen(alpha=(0, 1.0), lightness=(0.75, 1.5)),
 
                # Same as sharpen, but for an embossing effect.
                #浮雕效果
                iaa.Emboss(alpha=(0, 1.0), strength=(0, 2.0)),
 
 
                # Add gaussian noise to some images.
                # In 50% of these cases, the noise is randomly sampled per
                # channel and pixel.
                # In the other 50% of all cases it is sampled once per
                # pixel (i.e. brightness change).
                #添加高斯噪声。
                iaa.AdditiveGaussianNoise(
                    loc=0, scale=(0.0, 0.05*255)
                ),
 
                # Invert each image's chanell with 5% probability.
                # This sets each pixel value v to 255-v.
                iaa.Invert(0.05, per_channel=True), # invert color channels
 
                # Add a value of -10 to 10 to each pixel.
                iaa.Add((-10, 10), per_channel=0.5),
 
                # Add random values between -40 and 40 to images, with each value being sampled per pixel:
                #按像素加。
                iaa.AddElementwise((-40, 40)),
 
                # Change brightness of images (50-150% of original value).
                iaa.Multiply((0.5, 1.5)),
 
                # Multiply each pixel with a random value between 0.5 and 1.5.
                #按像素值乘。
                iaa.MultiplyElementwise((0.5, 1.5)),
 
                # Improve or worsen the contrast of images.
                #改变图像的对比度
                iaa.ContrastNormalization((0.5, 2.0)),
 
 
        ],
        # do all of the above augmentations in random order 定义随机数
        random_order=True
    )
 
],random_order=True) #apply augmenters in random order
 
# 图片文件相关路径
path = 'yolo3_keras_fire/img/'
# 保存路径可以是不同的路径，但是需要先把保存地方的文件夹建好
savedpath = 'yolo3_keras_fire/img/'
 
imglist=[]
filelist = os.listdir(path)
 
# 遍历要增强的文件夹，把所有的图片保存在imglist中
for item in filelist:
	img = cv2.imread(path + item)
	#print('item is ',item)
	#print('img is ',img)
	#images = load_batch(batch_idx)
	imglist.append(img)
	#print('imglist is ' ,imglist)
print('all the picture have been appent to imglist')
 
#对文件夹中的图片进行增强操作，循环100次
for count in range(100):
	images_aug = seq.augment_images(imglist)
	for index in range(len(images_aug)):
		filename = str(count) + str(index) +'.jpg'
		#保存图片
		cv2.imwrite(savedpath + filename,images_aug[index])
		print('image of count%s index%s has been writen'%(count,index))