基于python做图片数据扩充

基于python的图片数据扩充

借鉴：https://blog.csdn.net/jdzwanghao/article/details/80861590

我的数据一共分为两个文件夹，放在E盘的picture下面，一个文件命名为“0”，代表0类；另一个命名为“1”，代表1类；

# 导入需要用到的库
from keras.preprocessing.image import ImageDataGenerator
from keras.preprocessing import image
import matplotlib.pyplot as plt
import os
import numpy as np
import cv2

# 指定参数
# rotation_range 旋转
# width_shift_range 左右平移
# height_shift_range 上下平移
# zoom_range 随即放大或缩小

# 定义图片生成器，我只用了旋转，大家如果需要平移或者缩放可以自己设置。
img_generator = ImageDataGenerator(rotation_range=90)
# ImageDataGenerator()中不设置参数就表示 不操作，后面生成batch就是直接在原数据集上抽取图片。

# 输入数据的准备
X = []
Y = []
for i in range(0, 2):
    # 遍历文件夹，读取图片
    for f in os.listdir("E://picture//%s" % i):
        # 读入每一个图片
        Images = cv2.imread("E://picture//%s//%s" % (i, f))
        # 缩放为长和宽为（256， 256）
        image = cv2.resize(Images, (256, 256), interpolation=cv2.INTER_CUBIC)  # interpolation是插值方法
        # 标准化
        image = np.array(image, np.float32) / 255
        X.append(image)
        Y.append(i)
# 将数据集转为数组
X = np.array(X)
Y = np.array(Y)
print(X.shape)
print(Y.shape)

# 生成图片：其中，gen可以作为生成器，用model.fit_generate(generate,)来训练。

# [生成图片]： 其中，gen可以作为生成器，用model.fit_generate(generate,)中来训练。
gen = img_generator.flow(X, Y, batch_size=1)   # 我理解的batch_size，就是每次生成batch_size张图片。

# 看看每个batch中生成的图片都是咋样的
x = []
y = []
plt.figure()
for i in range(1000):    # 迭代1000，生成1000个
    x_batch, y_batch = next(gen)  # 每次next()一下，返回一个batch: x_batch, y_batch

    x.append(x_batch)
    y.append(y_batch)

    print('\n')
    print('x_batch', x_batch)
    print('\n')
    print('x_batch.shape:', x_batch.__class__)
    print('\n')
    print('x_batch.shape:', x_batch.shape)
    print('\n')
    print('y_batch', y_batch)
    print('\n')

    # plt.imshow(x_batch[0])  # batch中的第一张图片
    # plt.show()
x = np.array(x)
y = np.array(y)
x = x.reshape(1000, 256, 256, 3)
y = y.reshape(1000)
# x是扩充的1000张图片，y是对应类别