albumentation

最新推荐文章于 2024-07-24 14:58:27 发布
最新推荐文章于 2024-07-24 14:58:27 发布
阅读量4.6k 收藏 11
点赞数 3
分类专栏： # 图像增强 文章标签： python 计算机视觉 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kui9702/article/details/122671094
版权
常用的图像增强库
albumentation

github地址 ：https://github.com/albumentations-team/albumentations

官网地址：https://albumentations.readthedocs.io/en/latest/

imgaug

github: https://github.com/aleju/imgaug

官网地址: https://imgaug.readthedocs.io/en/latest/

Augmentor

github地址：https://github.com/mdbloice/Augmentor

官网地址： https://augmentor.readthedocs.io/en/master/

Automold

github地址： https://github.com/UjjwalSaxena/Automold–Road-Augmentation-Library

data-augmentation-review

github 地址：https://github.com/AgaMiko/data-augmentation-review

其中我所使用较多的是第一种：albumentation。接下来是我初次使用的一些方案

# python环境下安装的方式为：
pip install albumentations

import albumentations as A
import cv2
# 单种增强使用方式
img = cv2.imread("you path of image")
transform = A.RandomResizedCrop()
img_transform = transform(image=img)["image"]

# 多种增强使用方式
img = cv2.imread("you path of image")
transform = A.Compose([
    A.RandomResizedCrop(),
    A.CropAndPad()
])
img_transform = transform(image=img)["image"]

# 任意在多种增强方式中选择一种
img = cv2.imread("you path of image")
transform = A.Compose([
    A.OneOf([
		A.RandomResizedCrop(),
		A.CropAndPad() 
    ])
])
img_transform = transform(image=img)["image"]

# 任意在n种方式种选择n-1种
img = cv2.imread("you path of image")
transform = A.Compose([
    A.SomeOf([
		A.RandomResizedCrop(),
		A.CropAndPad(),
		A.RandomSizedCrop()
    ], n=random.randint(1, 2))
])
img_transform = transform(image=img)["image"]

# 还可以将SomeOf 和 OneOf 组合起来使用
# 每种变换还自带选择的概率
# 比如下面的概率为默认概率
transform = A.RandomResizedCrop()
# 将概率设置为0.8
transform = A.RandomResizedCrop(p=0.8)

CropAndPad()

#截取或者填充图片
#第一个参数和第二个参数同时只能设定一个
#第一个参数 px 指在图片四周添加一定px的填充 可以是int型数值 或者 2位元组 4位元组; 填充的颜色可以由pad_cval(0,255)修改
#第二个参数 percent 指按比例添加填充
#第一和第二 当为正数时，填充图片，为负数时裁剪图片

transform = A.CropAndPad(px=(random.randint(0,int(img.shape[0]*0.1))),pad_cval=random.randint(0,255))

img.png

CenterCrop()

#中心裁剪
#第一个参数 高度 
#第二个参数 宽度
transform = A.CenterCrop(random.randint(int(height*0.7),int(height*0.9)),random.randint(int(weight*0.7),int(weight*0.9)))

img_1.png

RandomResizedCrop()

#先随机裁剪 再 resize到一定的尺度
#第一个参数 高度
#第二个参数 宽度
#第三个参数 随机裁剪的比例
transform = A.RandomResizedCrop(224,224,(0.7,0.9))

img_2.png

CropNonEmptyMaskIfExists()

如果遮罩为非空，则使用遮罩裁剪区域，否则进行随机裁剪。

未用

RandomSizedCrop()

#裁剪输入的随机部分并将其重新缩放到某个大小
#第一个参数 为裁剪的最大最小值，相当于裁剪范围
#第二个参数 高度
#第三个参数 宽度
transform = A.RandomSizedCrop((100,height),height,weight)

img_3.png

RandomSizedBBoxSafeCrop()

这个是yolo ssd 数据增强使用的 现在不需要 所以不添加

ColorJitter()

#随机更改图片的亮度、对比度、饱和度、颜色
#第一个参数 亮度
#第二个参数 对比度
#第三个参数 饱和度
#第四个参数 颜色
#上面4个参数范围在(0,1)之间
transform = A.ColorJitter(0.2, 0.5, 0.5, 1)

img_4.png

RGBShift()

#三原色在原本基础上增加或者减小
#前面三个参数分别是R、G、B三个通道在原来的基础上增加或者减小
transform = A.RGBShift(np.random.randint(0,255),np.random.randint(0,255),np.random.randint(0,255))

img_5.png

RandomGamma()

#gamma变换
#第一个参数是gamma变换的范围  目前不知道范围的局限
transform = A.RandomGamma((0,255))

img_6.png

ToGray()

# 将原来的图片灰度化
transform = A.ToGray()

img_7.png

ImageCompression()

#压缩图片
#第一个参数 是压缩图片的下界
#第二个参数 是压缩图片的上界
transform = A.ImageCompression(quality_lower=10,quality_upper=90)

img_8.png

GaussianBlur()

#高斯模糊
#第一个参数 ： blur_limit   [0, inf)
#第二个参数 ： sigma_limit [0, inf)
transform = A.GaussianBlur(blur_limit=(1, 7),sigma_limit=(1,8),p=1)

img_9.png

MedianBlur()

#中值模糊
#第一个参数 ：模糊范围
#第二个参数 : 概率 p
transform = A.MedianBlur(blur_limit=9, p=1)

img_10.png

CoarseDropout()

#原函数是cutout，随机在图上裁剪出小方块
#第一个参数是 方块的大小
#第二个参数是 方块最大高度
#第三个参数是 方块最大宽度
transform = A.CoarseDropout(max_holes=3,max_height=100,max_width=100,p=1)

img_11.png

transform = A.RandomShadow(p = 1)

# 随机加阴影
transform = A.RandomShadow(p = 1)

img_12.png

ISONoise()

# 随机添加传感器噪声
transform = A.ISONoise(p=1)

img_13.png

Emboss()

# 浮雕
transform = A.Emboss(p = 1)

img_14.png

Sharpen()

# 锐化
transform = A.Sharpen(p=1)

img_15.png

[2021/11/24]

Downscale()

#以缩小再放大的形式降低图片的质量
transform = A.Downscale(scale_min=0.1,scale_max=0.95,p = 1)

CLAHE()

# 自适应直方图均衡化
transform = A.CLAHE(p = 1)

img_16.png

ChannelDropout()

# 随机丢弃通道
transform = A.ChannelDropout(p=1)

img_17.png

ChannelShuffle()

# 随机变换通道
transform = A.ChannelShuffle(p=1)

img_18.png

FromFloat()

#取一个输入数组，其中所有值都应位于 [0, 1.0] 范围内，将它们乘以 max_value，然后将结果值转换为 dtype 指定的类型。  如果 max_value 为 None 转换将尝试从 dtype 参数推断数据类型的最大值。
transform = A.FromFloat(max_value=random.randint(0, 10), p=1)

img_19.png

GaussNoise()

# 加入高斯噪声
transform = A.GaussNoise(var_limit=(10,1000),p=1)

GlassBlur()

# Glass模糊
transform = A.GlassBlur(max_delta=random.randint(1,5),p=1)

Flip()

# 水平、垂直、翻转图像
transform = A.Flip(p=1)

img_20.png

GridDropout()

# 添加网格
transform = A.GridDropout(unit_size_min=2,unit_size_max = random.randint(5,8),p=1,fill_value=random.randint(0,255),mask_fill_value=random.randint(0,100))

img_21.png

kui9702
关注
专栏目录
小知识点系列(二) 本文(8万字) | 解读数据增强 | Mosaic | MixUp | CutOut | CutMix | HSV | Albumentation |
weixin_44302770的博客
12-25 725
点击进入专栏： 《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程 文章目录Mosaic前言原理完整实现代码第二种实现**3.1 方法介绍****3.2 代码展示****加载图片及标签**图像分割**图像合并****处理检测框边界****3.3 完整代码**最后一种通用代码MixUp1.1.1、背景理论1.1.2、算法介绍1.1.3、代码1.1.4、结果Random Erasing1
【图像增强】使用 Albumentations Python 库（02）
最新发布
gongdiwudu的专栏
08-25 1350
​ 在本博客的第 1 部分中，我介绍了使用 Albumentations Python 库进行图像增广的基础知识。本部分介绍高级详细信息。​
Albumentation
lib0000的博客
02-23 977
文章目录AlbumentationClassificationSegmentationDetectionKeyPoints Augmentation Albumentation 所有实现的变换。 变换以及支持的类型。此处 Classification 创建图片扩展流程 使用 Compose 类定义数据增强的流程。Compose 类接受一个包含所有图片变换的列表。 transform = A.Compose([ A.RandomCrop(width=256, height=256), A.
Albumentation使用指南
NOWAY的博客
08-31 8429
Albumentation使用指南 import最好放在最前面否则可能会和其他模块冲突，import之后如果包OMP的错误就加两行 import os os.environ['KMP_DUPLICATE_LIB_OK']='TRUE' 资源 官方example 官方demo 使用 import albumentations as A from PIL import Image import cv2 as cv import numpy as np from data imp...
CV计算机视觉的数据增强方法：使用albumentations库批量数据增强，同时实现了坐标变换
LIN2020LOVEDA的博客
07-24 1295
CV算法、计算机视觉数据增强albumentation批量处理代码
albumentations——python 数据扩充库
Nick Blog
02-21 3433
详细教程：https://albumentations.readthedocs.io/en/latest/api/augmentations.html
在conda下安装albumentations
陨星落云的博客
11-03 3874
conda install -c conda-forge imgaug conda install -c conda-forge albumentations
Python的Albumentations库
weixin_36670529的博客
02-28 3336
基于高度优化的 OpenCV 库实现图像快速数据增强. 针对不同图像任务，如分割，检测等，超级简单的 API 接口. 易于个性化定制. 易于添加到其它框架，比如 PyTorch. 1. Albumentations 的 pip 安装 sudo pip install albumentations # 或 sudo pip install -U git+https://github.com/albu/albumentations 2. 不同图片数据增强库对比 albumentation.
data_augumetation_with_albumentation:带有数据加密的数据加法练习（Python库）教程
03-11
数据增强是深度学习中一种非常重要的技术，尤其在图像处理领域。它通过在训练集上应用各种随机变换来增加模型的泛化能力，使得模型在未见过的数据上表现更好。本教程将详细介绍如何使用Albumentations库进行数据增强...
图像分割 数据增强 albumentation
08-23
对于图像分割任务，数据增强是一种常用的技术，可以帮助提高模型的性能和鲁棒性。而Albumentations是一个流行的开源图像数据增强库，它提供了丰富的增强方法和灵活的参数设置。 使用Albumentations进行图像分割数据...
数据增强系列（3）Albumentation 初窥
weixin_43229348的博客
12-13 3776
在这篇文章中，我将通过示例全面介绍 使用最广泛的图像增强库之一Albumentation。您应该能够从这篇文章中建立对Albumentation的基本了解，并最终在您自己的工作中进行尝试。 1.什么是Albumentation？ 在您了解 Albumentation 有什么帮助之前，了解图像增强在计算机视觉中的含义至关重要。 深度神经网络，尤其是卷积神经网络 (CNN)，更擅长图像分类任务。最先进的 CNN 甚至已被证明在图像识别方面的表现超过了人类 。图像增强是获取训练数据集中已有的图像并对其进行操作以创
Python-Albumentations快速图像增强库和易于使用的包装其他库
08-10
基于高度优化的OpenCV库的快速扩充 超级简单但功能强大的界面，适用于不同的任务，如（分割，检测等） 易于定制 易于添加其他框架
【深度学习】带标注的数据增强及albumentations包下载
S_u_cheng的博客
11-07 370
如果一直下载不了（time out），用清华镜像源：https://pypi.tuna.tsinghua.edu.cn/simple。2、原代码的增强前后图片和标注存放于一个文件夹，这里存放在新文件夹。4、visualize部分未修改，可能会因为我改了变量名跑不通。注：代码修改自另一位博主的文章，很抱歉找不到地址了。1、把控制参数放在头部便于修改。
安装albumentation的正确打开方式（Mac版）
weixin_45030728的博客
03-02 3982
如下是官网教程 http://albumentations.ai/docs/getting_started/installation/ 但是你pip 或者用其他方法安装的时候出现了如下错误 找了好多解决方法也没有用的时候，就是你的opencv没装好，或者你在pycahrm选择的环境没有选好 1笔者准备用的conda安装，首先检查下项目环境目录对不对 选conda，里面是自己创建的env，这里不懂可以看这篇安装opencv https://blog.csdn.net/weixin_45030728/artic
albumentations库
m0_57522162的博客
03-29 678
今天在使用这个图像增强库albumentations的时候遇到了一个问题，由于我做的分割任务需要有两个不同的mask，我就对原始的代码进行了如下的修改： pair = self.transform(image=image, mask=mask) image, mask = pair["image"], pair["mask"] 原始的代码是这样 pair = self.transform(image=image, mask=mask, mask_a=mask_a) image, mask = pa
目标检测数据集使用Albumentation数据库进行数据增强
weixin_43747177的博客
04-21 1733
import xml.dom.minidom import cv2 from albumentations import( BboxParams, RandomGamma, Compose, Blur, CenterCrop, HueSaturationValue, MotionBlur, Cutout, RandomBrightness,RandomContrast ) import os import glob def read_xml(path): exp_xm
单独利用albumentation进行数据增强
yyfhq的博客
03-12 409
用已有的图像数据文件夹进行数据增强，生成数据增强后的图像数据文件夹 import glob import cv2 import os from albumentations import ( PadIfNeeded, HorizontalFlip, # 随机水平翻转 VerticalFlip, # 随机垂直翻转 Flip, # 随机翻转 CenterCrop, Crop, Compose, Tra.
一款容易上手的数据增强库Albumentations
Angeldream123的博客
04-20 2119
github.comAlbumentations是一个基于OpenCV的数据增强库，支持多种计算机视觉任务，如分类、语义分割、实例分割、目标检测和位姿识别。提供一个简单统一的api接口，适用于所有数据类型：图像（RBG图像、灰度图像、多光谱图像），分割mask，边界框和关键点。大概有70多种不同的图像增强方法，相比torch自带的，这个库函数有更多的图像预处理方法。最大特点：快！在相同的预处理下，albumentations的速度最快。
mmlab添加albumentations数据增强模块
始于足下
01-18 509
该类型需要@TRANSFORMS.register_module()相应的进行修饰，并在跟数据变换的根目录中导入，才能在管道中使用。# self。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

kui9702

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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