文章目录
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