干货 | 图像数据增强实战

我目前正在做图像数据增强的深度和有效性的研究。这项研究的目的是学习怎样增加只有有限或少量数据的数据集大小，增强训练的卷积网络模型的鲁棒性。

需要列出所有可以想到的图像增强的方法，并将这些方法进行组合，尝试和改善图像分类模型的性能。一些较简单的增强方法有翻转，平移，旋转，缩放，分离r，g，b颜色通道和添加噪声。更好一些的增强方法是生成对抗网络模型，有时交替使用遗传算法和生成对抗网络。 还有一些创造性的方法，比如将Instagram 样式的高亮滤镜应用于图像，应用随机区域锐化滤镜，以及基于聚类技术添加平均图像。 本文将介绍怎样使用 NumPy 对图像进行扩充。

下面列出了一些扩充技术的说明，如果你能想到任何其他方法来增强图像，提高图像分类器的质量，请留言一起讨论。

原始图像

增强

所有的代码都没有使用 OpenCV 库，只使用了 Numpy。

# 加载图像

from PIL import Image

import numpy as np

import matplotlib.pyplot as plt




img = Image.open('./NIKE.png')

img = np.array(img)

plt.imshow(img)

plt.show()

翻转（Flipping）

翻转图像是最流行的图像数据增强方法之一。这主要是由于翻转图像的代码比较简单，而且对于大多数问题而言，翻转图像会增强模型的性能。下面的模型可以被认为是看到左鞋而不是右鞋，因此通过这种数据增加，模型对于看到鞋的潜在变化变得更加有鲁棒性。

# 用 Numpy 翻转

flipped_img = np.fliplr(img)

plt.imshow(flipped_img)

plt.show()

平移（Translations）

很容易想象使用目标检测的分类器进行平移可以增加它的性能。好像这个分类模型试图检测鞋子何时在图像中而不是是否在图像中。 平移操作将有助于它看不到整个鞋子的情况下检测出鞋子。

# 向左平移

for i in range(HEIGHT, 1, -1):

for j in range(WIDTH):

if (i < HEIGHT-20):

img[j][i] = img[j][i-20]

elif (i < HEIGHT-1):

img[j][i] = 0




plt.imshow(img)

plt.show()

# 向右平移

for j in range(WIDTH):

for i in range(HEIGHT):

if (i < HEIGHT-20):

img[j][i] = img[j][i+20]




plt.imshow(img)

plt.show()

# 向上平移

for j in range(WIDTH):

for i in range(HEIGHT):

if (j < WIDTH - 20 and j > 20):

img[j][i] = img[j+20][i]

else:

img[j][i] = 0




plt.imshow(img)

plt.show()

# 向下平移

for j in range(WIDTH, 1, -1):

for i in range(278):

if (j < 144 and j > 20):

img[j][i] = img[j-20][i]




plt.imshow(img)

plt.show()

噪声（Noise）

噪声是一种有趣的增强技术，我开始对这类操作变得更加熟悉。我已经看过很多有趣的关于对抗网络训练的论文，将一些噪声加入到图像中，模型便无法正确分类。我仍然在寻找能产生比下图更好的添加噪声的方法。 添加噪声可能使畸变更明显，并使模型更加稳健。

# 添加噪声

noise = np.random.randint(5, size = (164,278, 4), dtype = 'uint8')




for i in range(WIDTH):

for j in range(HEIGHT):

for k in range(DEPTH):

if (img[i][j][k] != 255):

img[i][j][k] += noise[i][j][k]




plt.imshow(img)

plt.show()

生成对抗网络（GAN）

我阅读过很多将生成对抗网络用于数据增强的文献，下面是我使用MNIST数据集生成的一些图像。

正如上图看到的那样，它们看起来确实像3，7和9。 我想扩展网络结构来支持的300x300x3尺寸的输出，而不是28x28x1 MNIST的数字，但是遇到了一些麻烦。 但是，我对这项研究感到非常兴奋，并期待继续这项研究！

原文发布时间为：2018-10-9

本文作者：小韩

本文来自云栖社区合作伙伴“磐创AI”，了解相关信息可以关注“磐创AI”。