图像数据扩增方法

数据扩增的方法

• opencv 数据扩增
• albumentations数据扩增

数据扩增的目的：

• 有效增加样本的语义空间，增加数据集中样本的数据量

数据扩增的分类

• 标签不变的数据扩增方法
• 标签改编的数据扩增方法
  常见的数据扩增方法都会改变数据的标签

opencv进行数据扩增

首先读取原始图片

img = cv2.imread(train_mask[‘name’].iloc[0])
mask = rle_decode(train_mask[‘mask’].iloc[0])

plt.figure(figsize=(16, 8))
plt.subplot(1, 2, 1)
plt.imshow(img)

plt.subplot(1, 2, 2)
plt.imshow(mask)

垂直翻转

plt.figure(figsize=(16, 8))
plt.subplot(1, 2, 1)
plt.imshow(cv2.flip(img, 0))

plt.subplot(1, 2, 2)
plt.imshow(cv2.flip(mask, 0))

水平翻转

plt.figure(figsize=(16, 8))
plt.subplot(1, 2, 1)
plt.imshow(cv2.flip(img, 0))

plt.subplot(1, 2, 2)
plt.imshow(cv2.flip(mask, 0))

随机裁剪

x, y = np.random.randint(0, 256), np.random.randint(0, 256)

plt.figure(figsize=(16, 8))
plt.subplot(1, 2, 1)
plt.imshow(img[x:x+256, y:y+256])

plt.subplot(1, 2, 2)
plt.imshow(mask[x:x+256, y:y+256])

albumentations数据扩增

与OpenCV相比albumentations具有以下优点：

albumentations支持的操作更多，使用更加方便；
albumentations可以与深度学习框架（Keras或Pytorch）配合使用；
albumentations支持各种任务（图像分流）的数据扩增操作
import albumentations as A

水平翻转

augments = A.HorizontalFlip(p=1)(image=img, mask=mask)
img_aug, mask_aug = augments[‘image’], augments[‘mask’]

随机裁剪

augments = A.RandomCrop(p=1, height=256, width=256)(image=img, mask=mask)
img_aug, mask_aug = augments[‘image’], augments[‘mask’]

旋转

augments = A.ShiftScaleRotate(p=1)(image=img, mask=mask)
img_aug, mask_aug = augments[‘image’], augments[‘mask’]
albumentations还可以组合多个数据扩增操作得到更加复杂的数据扩增操作：

trfm = A.Compose([
A.Resize(256, 256),
A.HorizontalFlip(p=0.5),
A.VerticalFlip(p=0.5),
A.RandomRotate90(),
])

augments = trfm(image=img, mask=mask)
img_aug, mask_aug = augments[‘image’], augments[‘mask’]
plt.figure(figsize=(16, 8))
plt.subplot(1, 2, 1)
plt.imshow(augments[‘image’])

plt.subplot(1, 2, 2)
plt.imshow(augments[‘mask’])