数据增强方法及代码

参考链接

【技术综述】一文道尽深度学习中的数据增强方法（上） - 简书
https://www.jianshu.com/p/99450dbdadcf

【技术综述】一文道尽深度学习中的数据增强方法（下） - 简书
https://www.jianshu.com/p/661221525139

Image Data Processing - 江冬的博客 | JD Blog
http://www.jiangdongzml.com/2018/03/16/Image_Data_Processing/

图像数据增强 - 代码片段 - 码云 Gitee.com
https://gitee.com/hamjarl/codes/yl7q9g4bhv61ej2i8pnu319

tensorflow实现数据增强(随机裁剪、翻转、对比度设置、亮度设置) - 修炼之路 - CSDN博客
https://blog.csdn.net/sinat_29957455/article/details/80629098

Data Augmentation–数据增强解决你有限的数据集 - chang_rj的博客 - CSDN博客
https://blog.csdn.net/u010801994/article/details/81914716

摘要

本文主要针对tensorflow和PIL的数据增强方法做一个总结，所有代码来源于互联网。

部分方式的代码，真的是各种没有。

如果有大量数据增强方法需求的小伙伴，可以用这个【技术综述】一文道尽深度学习中的数据增强方法（上） - 简书博客提到的插件aleju/imgaug: Image augmentation for machine learning experiments来使用更多数据增强方法，这个插件功能非常强大，在此就不赘述了。

什么是数据增强

Data Augmentation，基于有限的数据生成更多等价（同样有效）的数据，丰富训练数据的分布，使通过训练集得到的模型泛化能力更强。

举个例子：

上面的左侧大图为原图，右侧小图是对左图做了一些随机的裁剪、缩放、旋转操作得来的。

右边的每张图对于网络来说都是不同的输入，这样就将数据扩充到10倍。

假如我们输入网络的图片的分辨率大小是256×256，若采用随机裁剪成224×224的方式，那么一张图最多可以产生32×32张图，数据量扩充将近1000倍。

但因许多图相似度太高，实际的效果并不等价。

如果再辅助其他的数据增强方法，将获得更多的数据集，这就是数据增强的本质。

空间几何变换类

import matplotlib.pyplot as plt
# tensorflow
import tensorflow as tf

image_raw_data=tf.gfile.FastGFile(img_path,'rb').read()
img_data=tf.image.decode_jpeg(image_raw_data)
# PIL
from PIL import Image,ImageChops,ImageEnhance

img_data = Image.open(img_path)

翻转（Flip）

翻转包括水平翻转、垂直翻转和对角线翻转。

with tf.Session() as sess:
    # tensorflow
    flipped1=tf.image.flip_left_right(img_data)
    flipped2=tf.image.flip_up_down(img_data)
    transpose_img=tf.image.transpose_image(img_data)
    # PIL
    flipped1=Image.FLIP_LEFT_RIGHT(img_data)
    flipped2=Image.FLIP_UP_DOWN(img_data)
    transpose_img=Image.TRANSPOSE(img_data)    
    
    for i,img in enumerate([img_data,flipped1,flipped2,transpose_img]):
        plt.subplot(1,4,i+1)
        plt.tight_layout()
        plt.imshow(img.eval())
    plt.show()

裁剪（crop）

裁剪图片的感兴趣区域（ROI），通常在训练的时候，会采用随机裁剪的方法。

    # tensorflow
    img = tf.image.random_crop(img_data, [400, 600, 3])
    # tf.image.central_crop(image,0.5) 按比例裁剪
    
    with tf.Session() as sess:
        img = sess.run(img)
        plt.subplot(1,2,1)
        plt.imshow(img)
        plt.title("tensorflow")
    
    # PIL
    img = img_data.crop((200, 100, 800, 500))  # 参数为坐标左上右下
    plt.subplot(1, 2, 2)
    plt.imshow(img)
    plt.title("PIL")
    plt.show()

旋转（rotate）

对图像做一定角度的旋转操作

    # tensorflow
    img = tf.image.rot90(img_data, 1)

    with tf.Session