数据增强

一.图片生成器ImageDataGenerator的使用

1.要使用imagedatagenerator函数，要从kares模块中导入preprocessing.image.ImageDataGenerator函数。

2.该函数中通过以下几个参数值来改动图片并通过ImageDataGenerator.flow来生成图片：

1）featurewise_center：布尔值，使输入数据集去中心化（均值为0）, 按feature执行
2）featurewise_std_normalization：布尔值，将输入除以数据集的标准差以完成标准化, 按feature执行
3）samplewise_center：布尔值，使输入数据的每个样本均值为0
4）samplewise_std_normalization：布尔值，将输入的每个样本除以其自身的标准差
5）zca_whitening：布尔值，对输入数据施加ZCA白化
6）zca_epsilon: ZCA使用的eposilon，默认1e-6
7）horizontal_flip：布尔值，进行随机水平翻转
8）vertical_flip：布尔值，进行随机竖直翻转
9）rotation_range：整数，数据提升时图片随机转动的角度
10）width_shift_range：浮点数，图片宽度的某个比例，数据提升时图片水平偏移的幅度
11）height_shift_range：浮点数，图片高度的某个比例，数据提升时图片竖直偏移的幅度
12）shear_range：浮点数，剪切强度（逆时针方向的剪切变换角度）
13）zoom_range：浮点数或形如[lower,upper]的列表，随机缩放的幅度，若为浮点数，则相当于[lower,upper] = [1 - zoom_range, 1+zoom_range]
14）channel_shift_range：浮点数，随机通道偏移的幅度
15）fill_mode：；‘constant’，‘nearest’，‘reflect’或‘wrap’之一，当进行变换时超出边界的点将根据本参数给定的方法进行处理
16）cval：浮点数或整数，当fill_mode=constant时，指定要向超出边界的点填充的值
17）rescale: 重放缩因子,默认为None. 如果为None或0则不进行放缩,否则会将该数值乘到数据上(在应用其他变换之前)
18）preprocessing_function: 将被应用于每个输入的函数。该函数将在图片缩放和数据提升之后运行。该函数接受一个参数，为一张图片（秩为3的numpy array），并且输出一个具有相同shape的numpy array
19）data_format：字符串，“channel_first”或“channel_last”之一，代表图像的通道维的位置。该参数是Keras 1.x中的image_dim_ordering，“channel_last”对应原本的“tf”，“channel_first”对应原本的“th”。以128x128的RGB图像为例，“channel_first”应将数据组织为（3,128,128），而“channel_last”应将数据组织为（128,128,3）。该参数的默认值是~/.keras/keras.json中设置的值，若从未设置过，则为“channel_last”方法

3.使用.flow：

1）flow_from_directory(directory): 以文件夹路径为参数,生成经过数据提升/归一化后的数据,在一个无限循环中无限产生batch数据
2）directory: 目标文件夹路径,对于每一个类,该文件夹都要包含一个子文件夹.子文件夹中任何JPG、PNG、BNP、PPM的图片都会被生成器使用.详情请查看此脚本
3）target_size: 整数tuple,默认为(256, 256). 图像将被resize成该尺寸
4）color_mode: 颜色模式,为"grayscale",“rgb"之一,默认为"rgb”.代表这些图片是否会被转换为单通道或三通道的图片.
5）classes: 可选参数,为子文件夹的列表,如[‘dogs’,‘cats’]默认为None. 若未提供,则该类别列表将从directory下的子文件夹名称/结构自动推断。每一个子文件夹都会被认为是一个新的类。(类别的顺序将按照字母表顺序映射到标签值)。通过属性class_indices可获得文件夹名与类的序号的对应字典。
6）class_mode: “categorical”, “binary”, "sparse"或None之一. 默认为"categorical. 该参数决定了返回的标签数组的形式, "categorical"会返回2D的one-hot编码标签,"binary"返回1D的二值标签."sparse"返回1D的整数标签,如果为None则不返回任何标签, 生成器将仅仅生成batch数据, 这种情况在使用model.predict_generator()和model.evaluate_generator()等函数时会用到.
7）batch_size: batch数据的大小,默认32
8）shuffle: 是否打乱数据,默认为True
9）seed: 可选参数,打乱数据和进行变换时的随机数种子
10）save_to_dir: None或字符串，该参数能让你将提升后的图片保存起来，用以可视化
11）save_prefix：字符串，保存提升后图片时使用的前缀, 仅当设置了12）save_to_dir时生效
13）save_format：“png"或"jpeg"之一，指定保存图片的数据格式,默认"jpeg”
14）flollow_links: 是否访问子文件夹中的软链接

二.用ImageDataGenerator扩展图片

以上是通过ImageDataGenerator将31张图片扩充到299张图片的代码。

以上是改变图片部分数据后生成的299张图片中的部分结果。