深度学习中的数据增强（data augmentation）

直接上代码：

[python]  view plain  copy

1. #encoding:utf-8  
2. ''''' 
3. tf 参考链接 ：https://tensorflow.google.cn/api_guides/python/image 
4. 增加数据量，减轻过拟合，增强模型的泛化能力 
5. 在预测时也可以使用 
6. '''  
7. import numpy as np  
8. import os  
9. import math  
10. import tensorflow as tf  
11. from skimage import io  
12. import random  
13. import matplotlib.pyplot as plt  
14.   
15. def read_image(image_path):  
16.     image_raw_data = tf.gfile.FastGFile(image_path,'rb').read()  
17.     image_data = tf.image.decode_png(image_raw_data)  
18.     return image_data  
19.   
20. ''''' 
21.     #图像大小的调整,放大缩小 
22.     不同尺寸 
23.     tf.image.resize_images(img,size,size,method), 0,默认 双线性插值；1，最近邻算法； 
24.                                               2， 双3次插值法；3，面积插值法 
25. '''  
26. def resize_image(image_data):  
27.       
28.     res = []  
29.     image_biliner = tf.image.resize_images(image_data,[256,256],method=0)     
30.   
31.     image_nn = tf.image.resize_images(image_data,[256,256],method=1)  
32.     image_bicubic = tf.image.resize_images(image_data,[256,256],method=2)  
33.     image_area = tf.image.resize_images(image_data,[256,256],method=3)  
34.   
35.     res.append(tf.to_int32(image_biliner))  
36.     res.append(tf.to_int32(image_nn))  
37.     res.append(tf.to_int32(image_bicubic))  
38.     res.append(tf.to_int32(image_area))  
39.       
40.     return res  
41.   
42. ''''' 
43. #裁剪 
44. 识别不同位置的物体 
45. '''  
46. def crop_image(image_data):  
47.     res = []  
48.     #在中间位置进行裁剪或者周围填充0  
49.     image_crop = tf.image.resize_image_with_crop_or_pad(image_data,256,256)   
50.     image_pad = tf.image.resize_image_with_crop_or_pad(image_data,512,512)  
51.       
52.     #按照比列 裁剪图像的中心区域  
53.     image_center_crop = tf.image.central_crop(image_data,0.5)  
54.   
55.     #随机裁剪（常用方法）  
56.     image_random_crop0 = tf.random_crop(image_data,[300,300,3])  
57.     image_random_crop1 = tf.random_crop(image_data,[300,300,3])  
58.   
59.     res.append(tf.to_int32(image_crop))  
60.     res.append(tf.to_int32(image_pad))  
61.     res.append(tf.to_int32(image_center_crop))  
62.     res.append(tf.to_int32(image_random_crop0))   
63.     res.append(tf.to_int32(image_random_crop1))  
64.   
65.     return res  
66.   
67. ''''' 
68.     #旋转（镜像） 
69.     图像旋转不会影响识别的结果，可以在多个角度进行旋转，使模型可以识别不同角度的物体 
70.     当旋转或平移的角度较小时，可以通过maxpooling来保证旋转和平移的不变性。 
71. '''  
72. def flip_image(image_data):  
73.   
74.     #镜像  
75.     res = []  
76.     #上下翻转  
77.     image_up_down_flip = tf.image.flip_up_down(image_data)  
78.   
79.     #左右翻转  
80.     image_left_right_filp = tf.image.flip_left_right(image_data)  
81.   
82.     #对角线旋转  
83.     image_transpose = tf.image.transpose_image(image_data)  
84.   
85.     #旋转90度   
86.     image_rot1 = tf.image.rot90(image_data,1)  
87.     image_rot2 = tf.image.rot90(image_data,2)  
88.     image_rot3 = tf.image.rot90(image_data,3)  
89.   
90.     res.append(tf.to_int32(image_up_down_flip))  
91.     res.append(tf.to_int32(image_left_right_filp))  
92.     res.append(tf.to_int32(image_transpose))  
93.     res.append(tf.to_int32(image_rot1))  
94.     res.append(tf.to_int32(image_rot2))  
95.     res.append(tf.to_int32(image_rot3))  
96.   
97.     return res  
98.   
99. #图像色彩调整  
100. ''''' 
101.     根据原始数据模拟出更多的不同场景下的图像 
102.     brightness(亮度),适应不同光照下的物体 
103.     constrast（对比度）, hue（色彩）, saturation（饱和度）  
104.     可自定义和随机 
105. '''  
106. def color_image(image_data):  
107.     res = []  
108.   
109.     image_random_brightness = tf.image.random_brightness(image_data,0.5)  
110.     image_random_constrast = tf.image.random_contrast(image_data,0,1)  
111.     image_random_hue = tf.image.random_hue(image_data,0.5)  
112.     image_random_saturation = tf.image.random_saturation(image_data,0,1)  
113.   
114.     #颜色空间变换  
115.     images_data = tf.to_float(image_data)  
116.     image_hsv_rgb = tf.image.rgb_to_hsv(images_data)  
117.     # image_gray_rgb = tf.image.rgb_to_grayscale(image_data)  
118.     # image_gray_rgb = tf.expand_dims(image_data[2],1)  
119.   
120.     res.append(tf.to_int32(image_random_brightness))  
121.     res.append(tf.to_int32(image_random_constrast))  
122.     res.append(tf.to_int32(image_random_hue))  
123.     res.append(tf.to_int32(image_random_saturation))  
124.     res.append(tf.to_int32(image_hsv_rgb))  
125.     return res  
126.   
127. #添加噪声  
128. def PCA_Jittering(img):  
129.   
130.     img_size = img.size/3  
131.     print(img.size,img_size)  
132.     img1= img.reshape(int(img_size),3)  
133.     img1 = np.transpose(img1)  
134.     img_cov = np.cov([img1[0], img1[1], img1[2]])    
135.     #计算矩阵特征向量  
136.     lamda, p = np.linalg.eig(img_cov)  
137.   
138.     p = np.transpose(p)    
139.     #生成正态分布的随机数  
140.     alpha1 = random.normalvariate(0,0.2)    
141.     alpha2 = random.normalvariate(0,0.2)    
142.     alpha3 = random.normalvariate(0,0.2)    
143.   
144.     v = np.transpose((alpha1*lamda[0], alpha2*lamda[1], alpha3*lamda[2])) #加入扰动    
145.     add_num = np.dot(p,v)    
146.   
147.     img2 = np.array([img[:,:,0]+add_num[0], img[:,:,1]+add_num[1], img[:,:,2]+add_num[2]])    
148.   
149.     img2 = np.swapaxes(img2,0,2)    
150.     img2 = np.swapaxes(img2,0,1)    
151.   
152.     return img2  
153.   
154. def main(_):  
155.     image_path = 'dog.png'  
156.     image_data = read_image(image_path)  
157.     img = tf.image.per_image_standardization(image_data)  
158.     resize = resize_image(image_data)  
159.     crop = crop_image(image_data)  
160.     flip = flip_image(image_data)  
161.     color = color_image(image_data)  
162.     init = tf.global_variables_initializer()  
163.   
164.     with tf.Session() as sess:  
165.         sess.run(init)  
166.         img, resize_res, crop_res, flip_res, color_res = sess.run([img,  
167.             resize,crop,flip,color])  
168.           
169.         res = []  
170.         res.append(resize_res)  
171.         res.append(crop_res)  
172.         res.append(flip_res)  
173.         res.append(color_res)  
174.   
175.         for cat in res:  
176.             fig = plt.figure()  
177.             num = 1  
178.             for i in cat:     
179.                 x = math.ceil(len(cat)/2) #向上取整               
180.                 fig.add_subplot(2,x,num)      
181.                 plt.imshow(i)  
182.                 num = num+1  
183.             plt.show()  
184.         img = PCA_Jittering(img)  
185.         plt.imshow(img)  
186.         plt.show()  
187. if __name__ == '__main__':  
188.       
189.     tf.app.run()