利用python对文件夹中所有图像进行批量增强处理并保存结果

最新推荐文章于 2023-10-12 20:48:02 发布

weixin_44119674

最新推荐文章于 2023-10-12 20:48:02 发布

阅读量1k

点赞数 1

分类专栏：数据增强文章标签： python 深度学习人工智能

本文链接：https://blog.csdn.net/weixin_44119674/article/details/125797437

版权

数据增强专栏收录该内容

2 篇文章 0 订阅

订阅专栏

from keras.preprocessing.image import ImageDataGenerator
import numpy as np
import matplotlib.pyplot as plt


train_datagen = ImageDataGenerator(rescale=1./255,  # 像素点255,范围（0，1）；
                                   rotation_range=20, # 随机旋转角度范围在（-20，20）；
                                   width_shift_range=0.1,   # 水平位移（-0.1，0.1），提高数据鲁棒性，如大于1，表示像素值；
                                   height_shift_range=0.1,   # 上下位移（-0.1，0.1），如大于1，表示像素值；
                                   shear_range=0.1,  # 裁剪程度；
                                   zoom_range=0.1,  # 缩放程度；
                                   channel_shift_range=10,  # 通道随机偏移的最大幅度;
                                   horizontal_flip=True,    # 随机做水平翻转;
                                   fill_mode='nearest')     # 填充像素，离他最近的真实像素点进行填充;



# train_datagen = ImageDataGenerator(rotation_range=5,
#                                    width_shift_range=0.05,
#                                    height_shift_range=0.05,
#                                    shear_range=0.05,
#                                    zoom_range=0.05,
#                                    channel_shift_range=1,
#                                    horizontal_flip=True,
#                                    fill_mode='nearest')



test_datagen = ImageDataGenerator(rescale=1. / 255)


train_generator = train_datagen.flow_from_directory(
    "./Add/ReadyAug",  # 待增强图像路径(在ReadyAug后一路径下还应设置一层NG文件夹--存放待处理的图像)；    #  "D:\\skq\\DeepLearning\\JSHA\\NO15_copy\\Add\\ReadyAug\\NG",  # 待增强图像；
    target_size=(300, 300),
    save_format="jpg",
    batch_size=1,
    class_mode='binary',
    save_to_dir="./Add/Train_NG_AUG",   # 增强后图像路径；     # "D:\\skq\\DeepLearning\\JSHA\\NO15_copy\\Add\\Data_Augmentation"
    save_prefix="NG_Aug")

count_limt = 357 # count_limt * batch_size
count = 0
for x_batch, y_batch in train_generator:
    print(F"------------第{count}次增强-----------------------------")

    count += 1
    # plt.savefig("D:\\skq\\DeepLearning\\JSHA\\NO15_copy\\Add\\Data_Augmentation\\ToothPaste" + str(count) + ".jpg", format="jpg")
    # plt.show()

    if count > count_limt:
        # plt.savefig("data_iter_time/iter_time_" + str(count) + ".png", format="jpg")
        break

print("finished!!!")