【深度学习】基于Keras的Data Augmentation方法

首先为什么我们需要对数据集进行Data Augmentation

• 对于现有的数据集来说，有些时候往往是不够的。举个例子，汽车识别，如果训练集当中只有汽车的正方位的图片，那么如果我们需要识别的图片是汽车的侧方位，这就导致了识别率的不高
• 进行了数据加强，那么就能够让机器有足够的训练集去训练，这样一来就可以显著的提高识别率

本文主要参考的博客

那么数据加强都有哪些功能

• 旋转|反射变换：随机图像一定角度，改变图像内容的朝向

• 翻转变换：沿着水平或垂直方向翻转图像

• 缩放变换：按照一定比例放大或者缩小图像

• 平移变换：在图像平面上对图像以一定的方式进行平移；可以采用随机或人为定义的方式指定平移范围和平移步长, 沿水平或竖直方向进行平移. 改变图像内容的位置;

• 尺度变换：对图像按照指定的尺度因子, 进行放大或缩小; 或者参照SIFT特征提取思想, 利用指定的尺度因子对图像滤波构造尺度空间. 改变图像内容的大小或模糊程度;

• 对比度变换：在图像的HSV颜色空间，改变饱和度S和V亮度分量，保持色调H不变. 对每个像素的S和V分量进行指数运算(指数因子在0.25到4之间), 增加光照变化;

• 噪声扰动： 对图像的每个像素RGB进行随机扰动, 常用的噪声模式是椒盐噪声和高斯噪声;

• 颜色变换：在训练集像素值的RGB颜色空间进行PCA, 得到RGB空间的3个主方向向量,3个特征值, p1, p2, p3, λ1, λ2, λ3. 对每幅图像的每个像素Ixy=[IRxy,IGxy,IBxy]T进行加上如下的变化:
  [p1,p2,p3][α1λ1,α2λ2,α3λ3]T

  其中:αi是满足均值为0,方差为0.1的随机变量.

实现代码：

# -*- coding: utf-8 -*-
__author__ =