keras中ImageDataGenerator参数详解及用法实例

官方文本解释：https://tensorflow.google.cn/api_docs/python/tf/keras/preprocessing/image/ImageDataGenerator

keras.preprocessing.image.ImageDataGenerator(featurewise_center=False,
    samplewise_center=False,
    featurewise_std_normalization=False,
    samplewise_std_normalization=False,
    zca_whitening=False,
    zca_epsilon=1e-6,
    rotation_range=0.,
    width_shift_range=0.,
    height_shift_range=0.,
    shear_range=0.,
    zoom_range=0.,
    channel_shift_range=0.,
    fill_mode='nearest',
    cval=0.,
    horizontal_flip=False,
    vertical_flip=False,
    rescale=None,
    preprocessing_function=None,
    data_format=K.image_data_format())

用以生成一个batch的图像数据，支持实时数据提升。训练时该函数会无限生成数据，直到达到规定的epoch次数为止。

    featurewise_center：布尔值，使输入数据集去中心化（均值为0）, 按feature执行

    samplewise_center：布尔值，使输入数据的每个样本均值为0

    featurewise_std_normalization：布尔值，将输入除以数据集的标准差以完成标准化, 按feature执行

    samplewise_std_normalization：布尔值，将输入的每个样本除以其自身的标准差

    zca_whitening：布尔值，对输入数据施加ZCA白化

    zca_epsilon: ZCA使用的eposilon，默认1e-6

    rotation_range：整数，数据提升时图片随机转动的角度

    width_shift_range：浮点数，图片宽度的某个比例，数据提升时图片水平偏移的幅度

    height_shift_range：浮点数，图片高度的某个比例，数据提升时图片竖直偏移的幅度

    shear_range：浮点数，剪切强度（逆时针方向的剪切变换角度）

    zoom_range：浮点数或形如[lower,upper]的列表，随机缩放的幅度，若为浮点数，则相当于[lower,upper] = [1 - zoom_range, 1+zoom_range]

    channel_shift_range：浮点数，随机通道偏移的幅度

    fill_mode：；‘constant’，‘nearest’，‘reflect’或‘wrap’之一，当进行变换时超出边界的点将根据本参数给定的方法进行处理

    cval：浮点数或整数，当fill_mode=constant时，指定要向超出边界的点填充的值

    horizontal_flip：布尔值，进行随机水平翻转

    vertical_flip：布尔值，进行随机竖直翻转

    rescale: 重放缩因子,默认为None. 如果为None或0则不进行放缩,否则会将该数值乘到数据上(在应用其他变换之前)

    preprocessing_function: 将被应用于每个输入的函数。该函数将在图片缩放和数据提升之后运行。该函数接受一个参数，为一张图片（秩为3的numpy array），并且输出一个具有相同shape的numpy array

    data_format：字符串，“channel_first”或“channel_last”之一，代表图像的通道维的位置。该参数是Keras 1.x中的image_dim_ordering，“channel_last”对应原本的“tf”，“channel_first”对应原本的“th”。以128x128的RGB图像为例，“channel_first”应将数据组织为（3,128,128），而“channel_last”应将数据组织为（128,128,3）。该参数的默认值是~/.keras/keras.json中设置的值，若从未设置过，则为“channel_last”

实验代码：

# 综合增强示例
from tensorflow import keras
from numpy import expand_dims
from matplotlib import pyplot
# 读入图片
img = tf.keras.preprocessing.image.load_img(img_path)
# 转换为 numpy 数组
data = tf.keras.preprocessing.image.img_to_array(img)
# 扩展维度
samples = expand_dims(data, 0)
print(samples.shape)
# 生成数据增强迭工厂
datagen = tf.keras.preprocessing.image.ImageDataGenerator(shear_range=20,
                                                          horizontal_flip=True,
                                                          channel_shift_range=100,
                                                          zoom_range=[0.5,2],
                                                          fill_mode = 'nearest')
# 准备迭代器
it = datagen.flow(samples, batch_size=1)
# 生成数据并画图
for i in range(9):
# 定义子图
    pyplot.subplot(330 + 1 + i)
# 生成一个批次图片
    batch = it.next()
# 转换为无符号整型方便显示
    image = batch[0].astype('uint32')
# 画图
    pyplot.imshow(image)
# 展示图片
pyplot.show()

参考连接：

https://blog.csdn.net/weixin_43917589/article/details/109771019
https://blog.csdn.net/xjq_ncu/article/details/80260735?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist_request_id=d570f3d4-b12b-4d2f-b798-23a71a39d2b3&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control
https://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/78271479?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.control&dist_request_id=d570f3d4-b12b-4d2f-b798-23a71a39d2b3&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-3.control