Python--使用opencv图片数据增强

在进行模型训练的时候会遇到数据量小的问题。针对一些小数据集可以进行离线数据增强，一定程度上能防止模型过拟合。
下面是一些使用opencv库进行图片数据增强的方法。
具体函数使用方法，调参啥的可以自查opencv函数手册，也可以百度具体方法。
https://docs.opencv.org/

1、翻转

# 翻转
def flip(pic):
    img = []
    h_pic = cv2.flip(pic, 1)  # 水平翻转
    v_pic = cv2.flip(pic, 0)   # 垂直翻转
    hv_pic = cv2.flip(pic, -1)  # 水平垂直翻转
    img.append(h_pic)
    img.append(v_pic)
    img.append(hv_pic)
    return img

2、旋转

# 旋转
def rotate(pic):
    scale = 1.0
    rows, cols = pic.shape[:2]
    img = []
    angle = [45, 90, 135, 180, 225, 275, 320]
    center = (cols / 2, rows / 2)   # 取图像的中点
    for a in angle:
        M = cv2.getRotationMatrix2D(center, a, scale)  # 获得图像绕着某一点的旋转矩阵
        pic = cv2.warpAffine(pic, M, (cols, rows), borderValue=(255, 255, 255))# cv2.warpAffine()的第二个参数是变换矩阵,第三个参数是输出图像的大小
        img.append(pic)
    return img

3、加噪声

# 噪声
def noise(pic):
    for i in range(1500):
        pic[random.randint(0, pic.shape[0] - 1)][random.randint(0, pic.shape[1] - 1)][:] = 255
    return pic
        # random.randint(a, b)
        # 用于生成一个指定范围内的整数。其中参数a是下限，参数b是上限，生成的随机数n: a <= n <= b

4、模糊

# 高斯模糊
def gussian(pic):
    img = []
    temp = cv2.GaussianBlur(pic, (9, 9), 1.5)  #高斯模糊
    dst = cv2.blur(pic, (11, 11), (-1, -1))  #均值滤波
    # cv2.GaussianBlur(图像，卷积核，标准差）
    img.append(temp)
    img.append(dst)
    return img

5、光照

# 光照
def light(pic):
    img = []
    contrast = 1       #对比度
    brightness = 100    #亮度
    pic_turn1 = cv2.addWeighted(pic,contrast,pic,0,brightness)
    pic_turn2 = cv2.addWeighted(pic, 1.5, pic, 0, 50)
    img.append(pic_turn1)
    img.append(pic_turn2)
    # cv2.addWeighted(对象,对比度,对象,对比度)
    #cv2.addWeighted()实现的是图像透明度的改变与图像的叠加
    return img

6、仿射

# 仿射
def fangshe(pic):
    rows, cols = pic.shape[:2]
    point1 = np.float32([[50, 50], [300, 50], [50, 200]])
    point2 = np.float32([[10, 100], [300, 50], [100, 250]])
    M = cv2.getAffineTransform(point1, point2)
    dst = cv2.warpAffine(pic, M, (cols, rows), borderValue=(255, 255, 255))
    # 对图像进行变换（三点得到一个变换矩阵）
    # 我们知道三点确定一个平面，我们也可以通过确定三个点的关系来得到转换矩阵
    # 然后再通过warpAffine来进行变换
    return dst

批量增强
遍历文件下面的图片，每张都增强一遍。需要注意的是，我采用的方法将每张图片都使用了一样的增强方法。如果对文件下图片进行随机赋予不同的增强方式，模型训练效果会更好，比如imgaug这个库就能实现。后续我会更新数据增强2.0版本，这
不过具体还是要结合自己的数据集，有些使用imgaug效果不一定会好，可能它变太多，加入的噪声太多了。

if __name__ == '__main__':
	print('读取图像开始')
    cate=['D:/me/animal/test/186/']
    img_all = []
    for idx, folder in enumerate(cate):
        folder1 = folder.split('/')
        id = folder1[4]
        print(id, folder)
        p = path_re + id + '/'   #保存路径
        for im in glob.glob(folder + '/*.jpg'):   #遍历文件夹下的图片
            try:
                img = cv2.imread(im)
                #img = cv2.resize(img,(224,224))  裁剪
                noi = noise(img)  # 噪声
                fli = flip(img)  # 翻转
                rot = rotate(img)  # 旋转
                guss = gussian(img)  # 模糊
                li = light(img)  # 光线
                fan = fangshe(img)  # 仿射
                img_all.append(img)
                img_all.append(fan)
                img_all = img_all + rot + fli +li + guss
                img_all.append(noi)
                im = im.split('\\')
                im = im[1].split('.')[0]
                for k, imge in zip(range(len(img_all)), img_all):
                    imge = cv2.resize(imge,(224,224))
                    cv2.imwrite(p + im + str(k) + '_.jpg', imge)  #保存图片
            except:
                print(im)
            img_all = []

结果示例：
需要数据增强的文件：

增强之后：
根据上面贴的代码，我在每种方法上都会通过调整多变几张。

完整代码可见my github

本篇链接：
https://blog.csdn.net/weixin_42385606/article/details/105956416