小菜鸟对数据增强(data argumentation)的认识

        因为深度学习是数据驱动的，所以要想训练一个比较好的神经网络必须要有足够的数据，否则训练出来的网络会出现过拟合等问题。当数据量较少的时候，我们可以使用数据增强等方法来手动增加数据量。常见的数据增强方法有如下几种：

①随机裁剪：几乎所有深度学习框架训练都使用的一种数据增强方法，在很多有名的深度学习网络(AlexNet, VGG, GoogLeNet, ResNet…)的训练中，对输入的256*256图像，通常会以224或227的窗口随机获得子图作为训练集，以图像中心的子块作为测试集。

python实现：

import numpy.random as np

#给定原始图像img和想要获取的图像维度[size_h,size_w]，求出图中的红色矩形大小；想要获取的图像的左上角坐标一定落在红色矩阵中
def randomCrop(img,size_h,size_w):
    rows,cols = img.shape[:2]
    left_h = np.randint(0,rows-size_h)
    left_w = np.randint(0,cols-size_w)
    crop_img = img[left_h:left_h+size_h,left_w:left_w+size_w]

    return crop_img

② 翻转：左右翻转也叫水平翻转或镜像，将图像的左右部分以图像垂直中轴线为中心进行镜像对换。

python实现：

#水平翻转
def horizontalFlip(img):
    size = img.shape
    h,w = size[0],size[1]
    iLR = img.copy()
    
    for i in range(h):
        for j in range(w):
            iLR[i,j] = img[i,w-j-1]

    return iLR

#竖直翻转
def verticalFlip(img):
    size = img.shape
    h,w = size[0],size[1]
    iLR = img.copy()

    for i in range(h):
        for j in range(w):
            iLR = [i,j] = img[h-i-1,j]

    return iLR

 ③旋转：图像旋转一般是以图像中心为旋转中心进行随机旋转的，其有一个正负角度约束。

python实现：

import numpy as np
from skimage.transform import rotate

def img_rotate(img,angle):
    return rotate(img,angle)

#角度约束
rotate_limit = (-30,30)
theta = np.pi/180*np.random.uniform(rotate_limit[0],rotate_limit[1])
img_rot = img_rotate(img,theta)

④平移：图像沿着X轴和Y轴的平移一共有以下四种情况。

python实现：

#向右?平移
def move_right(img,dis):
    size = img.shape
    h,w = size[0],size[1]
    iLR = img.copy()

    for i in range(h):
        for j in range(w):
            if j >= dis:
                iLR[i,j] = img[i,j-dis]
            else:
                iLR[i,j] = 0

    return iLR

#向左?平移
def move_left(img,dis):
    size = img.shape
    h,w = size[0],size[1]
    iLR = img.copy()

    for i in range(h):
        for j in range(w):
            if j <= w-dis-1:
                iLR[i,j] = img[i,j+dis]
            else:
                iLR[i,j] = 0

    return iLR

#向上?平移
def move_up(img,dis):
    size = img.shape
    h,w = size[0],size[1]
    iLR = img.copy()

    for i in range(h):
        for j in range(w):
            if i <= h-dis-1:
                iLR[i,j] = img[i+dis,j]
            else:
                iLR[i,j] = 0

    return iLR

#向下?平移
def move_down(img,dis):
    size = img.shape
    h,w = size[0],size[1]
    iLR = img.copy()

    for i in range(h):
        for j in range(w):
            if i >= dis:
                iLR[i,j] = img[i-dis,j]
            else:
                iLR[i,j] = 0

    return iLR

⑤缩放：全卷积网络对于尺度没有严格要求，如目标检测算法yolo2-v3在训练过程中会对样本进行随机尺度变换，实现多尺度训练，进而跨尺度特征融合。同时也使得模型对于不同尺度的图像有更强的适应性。

python实现：

from skimage.transform import rescale

def imge_resize(img,scale):
    result = rescale(img,scale)

    return result

⑥加入噪声（高斯噪声）： 一般对图像加入高斯噪声可以使得图像变得更加模糊，从而模拟模糊情况。

python实现：

from skimage import util

def gaussNoise(img):
    noise_img = util.random_noise(img,mode='gaussian')
    result = util.img_as_ubyte(noise_img)

    return result

参考：https://blog.csdn.net/ouyangfushu/article/details/88186513