天池-街景字符编码识别-数据读取与数据扩增

图像读取

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。

1.Pillow

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。

from PIL import Image
# 打开一个jpg图像文件，注意是当前路径:
im = Image.open('cat.jpg')
im.thumbnail((w//2, h//2))
im2 = im.filter(ImageFilter.BLUR)
im.save('thumbnail.jpg', 'jpeg')

具体操作参考Pillow的官方文档

2.OpenCV

OpenCV是一个跨平台的计算机视觉库，最早由Intel开源得来。OpenCV发展的非常早，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。

import cv2

img = cv2.imread('cat.jpg')

# Opencv默认颜色通道顺序是BRG，转换一下
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) 
# 转换为灰度图
img =cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  
# Canny边缘检测
edges = cv2.Canny(img, 30, 70) 
cv2.imwrite('canny.jpg', edges)

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

数据扩增方法

在赛题街道字符识别任务中我们需要对的图像进行字符识别，因此需要我们完成的数据的读取操作，同时也需要完成数据扩增（Data Augmentation）操作

数据扩增介绍

在深度学习中数据扩增方法非常重要，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，也可以给模型带来的更强的泛化能力。

• 数据扩增为什么有用？
  在深度学习模型的训练过程中，数据扩增是必不可少的环节。现有深度学习的参数非常多，一般的模型可训练的参数量基本上都是万到百万级别，而训练集样本的数量很难有这么多。
  其次数据扩增可以扩展样本空间，假设现在的分类模型需要对汽车进行分类，左边的是汽车A，右边为汽车B。如果不使用任何数据扩增方法，深度学习模型会从汽车车头的角度来进行判别，而不是汽车具体的区别。

• 有哪些数据扩增方法？
  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。
  对于图像分类，数据扩增一般不会改变标签；对于物体检测，数据扩增会改变物体坐标位置；对于图像分割，数据扩增会改变像素标签。

常见的数据扩增方法

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

赛题任务是需要对图像中的字符进行识别，因此对于字符图片并不能进行翻转操作。比如字符6经过水平翻转就变成了字符9，会改变字符原本的含义。

下面解释以下各方法的具体含义

transforms.ColorJitter 对图像颜色的对比度、饱和度和零度进行变换

功能：修改亮度、对比度和饱和度

transforms.FiveCrop 对图像四个角和中心进行裁剪得到五分图像

功能：对图片进行上下左右以及中心裁剪，获得5张图片，返回一个4D-tensor
参数：

• size- (sequence or int)，若为sequence,则为(h,w)，若为int，则(size,size)

transforms.Resize 对图像进行尺寸缩放

功能：重置图像分辨率
参数：

• size- If size is an int, if height > width, then image will be rescaled to (size * height / width, size)，所以建议size设定为h*w
• interpolation- 插值方法选择，默认为PIL.Image.BILINEAR

ransforms.Grayscale 对图像进行灰度变换

功能：将图片转换为灰度图
参数：

• num_output_channels- (int) ，当为1时，正常的灰度图，当为3时， 3 channel with r == g == b

transforms.Pad 使用固定值进行像素填充

功能：对图像进行填充
参数：

• padding-(sequence or int, optional)，此参数是设置填充多少个pixel。
  当为int时，图像上下左右均填充int个，例如padding=4，则上下左右均填充4个pixel，若为3232，则会变成4040。
  当为sequence时，若有2个数，则第一个数表示左右扩充多少，第二个数表示上下的。当有4个数时，则为左，上，右，下。
• fill- (int or tuple)
  填充的值是什么（仅当填充模式为constant时有用）。int时，各通道均填充该值，当长度为3的tuple时，表示RGB通道需要填充的值。
• padding_mode- 填充模式，这里提供了4种填充模式，
  1.constant，常量
  2.edge 按照图片边缘的像素值来填充。
  3.reflect，
  4.symmetric

transforms.RandomAffine 随机仿射变换

功能：仿射变换

transforms.CenterCrop 中心裁剪

功能：以输入图的中心点为中心点做指定size的crop操作，一般数据增强不会采用这个，因为当size固定的时候，在相同输入图像的情况下，N次CenterCrop的结果都是一样的。

transforms.RandomCrop 随机区域裁剪

功能：依据给定的size随机裁剪, crop时的中心点坐标是随机的
参数：

• size- (sequence or int)，若为sequence,则为(h,w)，若为int，则(size,size)
• padding-(sequence or int, optional)，此参数是设置填充多少个pixel。
  当为int时，图像上下左右均填充int个，例如padding=4，则上下左右均填充4个pixel，若为32 32，则会变成40 40。
  当为sequence时，若有2个数，则第一个数表示左右扩充多少，第二个数表示上下的。当有4个数时，则为左，上，右，下。 fill-
  (int or tuple)
  填充的值是什么（仅当填充模式为constant时有用）。int时，各通道均填充该值，当长度为3的tuple时，表示RGB通道需要填充的值。
• padding_mode- 填充模式，这里提供了4种填充模式，1.constant，常量。
  2.edge 按照图片边缘的像素值来填充。
  3.reflect。
• symmetric。

transforms.RandomResizedCrop 随机长宽比裁剪

功能：随机大小，随机长宽比裁剪原始图片，最后将图片resize到设定好的size，总的来讲就是先做crop（用到scale和ratio），再resize到指定尺寸（用到size）。做crop的时候，其中心点坐标和长宽是由get_params方法得到的，在get_params方法中主要用到两个参数：scale和ratio，首先在scale限定的数值范围内随机生成一个数，用这个数乘以输入图像的面积作为crop后图像的面积；然后在ratio限定的数值范围内随机生成一个数，表示长宽的比值，根据这两个值就可以得到crop图像的长宽了。至于crop图像的中心点坐标，也是类似RandomCrop类一样是随机生成的，比较常用

• size- 输出的分辨率
• scale- 随机crop的大小区间，如scale=(0.08, 1.0)，表示随机crop出来的图片会在的0.08倍至1倍之间。
• ratio- 随机长宽比设置
• interpolation- 插值的方法，默认为双线性插值

transforms.RandomHorizontalFlip 随机水平翻转

功能：依据概率p对PIL图片进行水平翻转，通俗讲就是图像的左右对调
参数：
p- 概率，默认值为0.5

transforms.RandomRotation 随机旋转

功能：依degrees随机旋转一定角度
参数：

• degress- (sequence or float or int) ，若为单个数，如 30，则表示在（-30，+30）之间随机旋转， 若为sequence，如(30，60)，则表示在30-60度之间随机旋转 resample- 重采样方法选择，可选
  PIL.Image.NEAREST, PIL.Image.BILINEAR, PIL.Image.BICUBIC，默认为最近邻
• expand-
• center- 可选为中心旋转还是左上角旋转

transforms.RandomVerticalFlip 随机垂直翻转

功能：依据概率p对图片进行垂直翻转，通俗讲就是图像的上下对调
参数：
p- 概率，默认值为0.5

transforms.Normalize 标准化

功能：对数据按通道进行标准化，即先减均值，再除以标准差，注意是 (h w c)

其他方法参考https://blog.csdn.net/u011995719/article/details/85107009

常用的数据扩增库

• torchvision
  https://github.com/pytorch/vision
  pytorch官方提供的数据扩增库，提供了基本的数据数据扩增方法，可以无缝与torch进行集成；但数据扩增方法种类较少，且速度中等；

• imgaug
  https://github.com/aleju/imgaug
  imgaug是常用的第三方数据扩增库，提供了多样的数据扩增方法，且组合起来非常方便，速度较快；

• albumentations
  https://albumentations.readthedocs.io
  是常用的第三方数据扩增库，提供了多样的数据扩增方法，对图像分类、语义分割、物体检测和关键点检测都支持，速度较快。

Pytorch读取数据

在Pytorch中数据是通过Dataset进行封装，并通过DataLoder进行并行读取。所以我们只需要重载一下数据读取的逻辑就可以完成数据的读取。

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('../input/train/*.png')
train_path.sort()
train_json = json.load(open('../input/train.json'))
train_label = [train_json[x]['label'] for x in train_json]

data = SVHNDataset(train_path, train_label,
          transforms.Compose([
              # 缩放到固定尺寸
              transforms.Resize((64, 128)),

              # 随机颜色变换
              transforms.ColorJitter(0.2, 0.2, 0.2),

              # 加入随机旋转
              transforms.RandomRotation(5),

              # 将图片转换为pytorch 的tesntor
              # transforms.ToTensor(),

              # 对图像像素进行归一化
              # transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])
            ]))

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

接下来我们将在定义好的Dataset基础上构建DataLoder，你可以会问有了Dataset为什么还要有DataLoder？其实这两个是两个不同的概念，是为了实现不同的功能。

• Dataset：对数据集的封装，提供索引方式的对数据样本进行读取
• DataLoder：对Dataset进行封装，提供批量读取的迭代读取

加入DataLoder后，数据读取代码改为如下：

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('../input/train/*.png')
train_path.sort()
train_json = json.load(open('../input/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

在加入DataLoder后，数据按照批次获取，每批次调用Dataset读取单个样本进行拼接。此时data的格式为：
torch.Size([10, 3, 64, 128]), torch.Size([10, 6])
前者为图像文件，为batchsize * chanel * height * width次序；后者为字符标签。