数据读取和数据扩增

数据读取

由于赛题数据是图像数据，赛题的任务是识别图像中的字符。因此我们首先需要完成对数据的读取操作，在Python中有很多库可以完成数据读取的操作，比较常见的有Pillow和OpenCV。

Pillow是Python图像处理函式库(PIL）的一个分支。Pillow提供了常见的图像读取和处理的操作，而且可以与ipython notebook无缝集成，是应用比较广泛的库。
例如：
1、读取图像原始数据

from PIL import Image
# 读取图片
im =Image.open('C:/Users/Administrator/Desktop/IMG_0341.jpg')
im.show()

效果图如下：

2、将原图进行缩放

from PIL import Image
im = Image.open('C:/Users/Administrator/Desktop/IMG_0341.jpg')
w = im.size[0]
h = im.size[1]
im.thumbnail((w//4, h//4))
im.save('C:/Users/Administrator/Desktop/girl.jpg', 'jpeg')
#保存图片

效果图如下：

更多操作可以详见Pillow的官方文档：

OpenCV是一个跨平台的计算机视觉库，拥有众多的计算机视觉、数字图像处理和机器视觉等功能。OpenCV在功能上比Pillow更加强大很多，学习成本也高很多。

例如：将图片数据处理成灰度图

import cv2
# 导入Opencv库
img = cv2.imread('C:/Users/Administrator/Desktop/IMG_0341.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) 
# 转换为灰度图
cv2.imwrite('C:/Users/Administrator/Desktop/0342.jpg',img)
#保存图片

效果图如下：

OpenCV包含了众多的图像处理的功能，OpenCV包含了你能想得到的只要与图像相关的操作。此外OpenCV还内置了很多的图像特征处理算法，如关键点检测、边缘检测和直线检测等。
OpenCV官网：https://opencv.org/
OpenCV Github：https://github.com/opencv/opencv
OpenCV 扩展算法库：https://github.com/opencv/opencv_contrib

数据扩增

数据扩增介绍
目前图像领域最紧缺的还是缺少海量的数据素材资源，这是制约效果输出的关键因素之一，而数据扩增可以增加训练集的样本，同时也可以有效缓解模型过拟合的情况，也可以给模型带来更强的泛化能力。在模型中使用数据扩增方法后，能一定程度上提高数据容量，从而达到提高模型效果的目的。

数据扩增方法
数据扩增方法有很多：从颜色空间、尺度空间到样本空间，同时根据不同任务数据扩增都有相应的区别。

以torchvision为例，常见的数据扩增方法包括：

• transforms.CenterCrop 对图片中心进行裁剪
• transforms.ColorJitter 对图像颜色的对比度、饱和度和零度进行变换
• transforms.FiveCrop 对图像四个角和中心进行裁剪得到五分图像
• transforms.Grayscale 对图像进行灰度变换
• transforms.Pad 使用固定值进行像素填充
• transforms.RandomAffine 随机仿射变换
• transforms.RandomCrop 随机区域裁剪
• transforms.RandomHorizontalFlip 随机水平翻转
• transforms.RandomRotation 随机旋转
• transforms.RandomVerticalFlip 随机垂直翻转

在本次赛题中，我们将在Pytorch中数据通过Dataset进行封装，并通过DataLoder进行并行读取。代码如下：

import os, sys, glob, shutil, json
import cv2

from PIL import Image
import numpy as np

import torch
from torch.utils.data.dataset import Dataset
import torchvision.transforms as transforms

class SVHNDataset(Dataset):
    def __init__(self, img_path, img_label, transform=None):
        self.img_path = img_path
        self.img_label = img_label 
        if transform is not None:
            self.transform = transform
        else:
            self.transform = None

    def __getitem__(self, index):
        img = Image.open(self.img_path[index]).convert('RGB')

        if self.transform is not None:
            img = self.transform(img)
        
        # 原始SVHN中类别10为数字0
        lbl = np.array(self.img_label[index], dtype=np.int)
        lbl = list(lbl)  + (5 - len(lbl)) * [10] 
        
        return img, torch.from_numpy(np.array(lbl[:5]))

    def __len__(self):
        return len(self.img_path)

train_path = glob.glob('E:/天池赛题/train/*.png')
train_path.sort()
train_json = json.load(open('E:/天池赛题/train.json'))
train_label = [train_json[x]['label'] for x in train_json]

train_loader = torch.utils.data.DataLoader(
        SVHNDataset(train_path, train_label,
                   transforms.Compose([
                       transforms.Resize((64, 128)),
                       transforms.ColorJitter(0.3, 0.3, 0.2),
                       transforms.RandomRotation(5),
                       transforms.ToTensor(),
                       transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
            ])), 
    batch_size=10, # 每批样本个数
    shuffle=False, # 是否打乱顺序
    #num_workers=10, # 读取的线程个数
)

for data in train_loader:
    break

通过上述代码，可以将赛题的图像数据和对应标签进行读取，在读取过程中的进行数据扩增。

总结：学习了一些简单的图片处理操作，了解了一些数据读取与数据扩增方法。