图像数据的增强一

图像的增强：

水平翻转、垂直翻转、平移、旋转、裁剪、对比度和亮度的调整、加高斯噪声、像素的归一化。

import matplotlib.pyplot as plt
import cv2
import random
import numpy as np


def horizon_flip(img):
    '''图像水平翻转'''
    return img[:,::-1]


def vertical_flip(img):
    '''图像垂直翻转'''
    return img[::-1]


def rotate(img,limit_up=10,limit_down=-10):
    '''
    图像旋转:
        在一定角度范围内，图像随机旋转
    :param img:
    :param limit_up:旋转角度上限
    :param limit_down: 旋转角度下限
    :return: 旋转后的图像
    '''
    #旋转矩阵
    rows,cols = img.shape[:2]
    center_coordinate = (int(cols / 2),int(rows / 2))
    angle = random.uniform(limit_down,limit_up)
    M = cv2.getRotationMatrix2D(center_coordinate,angle,1)
    #仿射变换
    out_size = (cols,rows)
    rotate_img = cv2.warpAffine(img,M,out_size,borderMode=cv2.BORDER_REPLICATE)
    return rotate_img


def shift(img,distance_down,distance_up):
    '''
    利用仿射变换实现图像平移，平移距离∈[down, up]
    :param img: 原图
    :param distance_down:移动距离下限
    :param distance_up: 移动距离上限
    :return: 平移后的图像
    '''
    rows,cols = img.shape[:2]
    y_shift = random.uniform(distance_down,distance_up)
    x_shift = random.uniform(distance_down,distance_up)
    #生成平移矩阵
    M = np.float32([[1,0,x_shift],[0,1,y_shift]])
    #平移
    img_shift = cv2.warpAffine(img,M,(cols,rows),borderMode=cv2.BORDER_REPLICATE)
    return img_shift


def crop(img,crop_x,crop_y):
    '''
    读取部分图像，进行裁剪
    :param img:
    :param crop_x:裁剪x尺寸
    :param crop_y:裁剪y尺寸
    :return:
    '''
    rows,cols = img.shape[:2]
    x_offset = random.randint(0,cols - crop_x)
    y_offset = random.randint(0,rows - crop_y)
    #读取部分图像
    img_part = img[y_offset:(y_offset+crop_y),x_offset:(x_offset+crop_x)]
    return img_part


def lighting_adjust(img,k_down,k_up,b_down,b_up):
    '''
    图像亮度、对比度调整
    :param img:
    :param k_down:对比度系数下限
    :param k_up:对比度系数上限
    :param b_down:亮度增值上限
    :param b_up:亮度增值下限
    :return:调整后的图像
    '''

    #对比度调整系数
    slope = random.uniform(k_down,k_up)
    #亮度调整系数
    bias = random.uniform(b_down,b_up)
    #图像亮度对比度调整
    img = img * slope + bias
    #灰度值截断，防止超出255
    img = np.clip(img,0,255)
    return img.astype(np.uint8)


def Gaussian_noise(img,mean=0,std=1):
    '''
    图像加高斯噪声
    :param img: 原图
    :param mean: 均值
    :param std: 标准差
    :return:
    '''
    # 高斯噪声图像
    gauss = np.random.normal(loc=mean,scale=std,size=img.shape)
    img_gauss = img + gauss
    # 裁剪
    out = np.clip(img_gauss,0,255)
    return out


def normalization(img,mean,std):
    '''
    图像归一化,图像像素点从(0,255)->（0,1）
    :param img:
    :param mean:所有样本图像均值
    :param std: 所有样本图像标准差
    :return:
    '''
    img -= mean
    img /= std
    return img


test_img = 'C:/Users/tianr/Desktop/IMAGE/preview.jpg'
src = cv2.imread(test_img)
#print(src)

img1 = horizon_flip(src)
img2 = vertical_flip(src)
img3 = rotate(src)
img4 = shift(src,100,200)
img5 = crop(src,800,500)
img6 = lighting_adjust(src,1,2,10,200)
# img7 = Gaussian_noise(src)
# img8 = normalization(src,0,1)

# plt.subplot(2,2,1)
# plt.imshow(img1)
#plt.show()

plt.imshow(src)
plt.show()

plt.imshow(img6)
plt.show()