使用Python+OpenCV进行数据增广方法综述（附代码演练）

数据扩充是一种增加数据集多样性的技术，无需收集更多的真实数据，但仍然有助于提高模型的准确性和防止模型过度拟合。在这篇文章中，你将学习使用Python和OpenCV实现最流行和最有效的对象检测任务的数据扩充过程。

介绍的数据扩充方法包括:

1. 随机剪裁

2. Cutout

3. ColorJitter

4. 添加噪声

5. 过滤

首先，让我们导入几个库并准备一些必要的子例程。

import os
import cv2
import numpy as np
import random

def file_lines_to_list(path):
    '''
    ### Convert Lines in TXT File to List ###
    path: path to file
    '''
    with open(path) as f:
        content = f.readlines()
    content = [(x.strip()).split() for x in content]
    return content

def get_file_name(path):
    '''
    ### Get Filename of Filepath ###
    path: path to file
    '''
    basename = os.path.basename(path)
    onlyname = os.path.splitext(basename)[0]
    return onlyname

def write_anno_to_txt(boxes, filepath):
    '''
    ### Write Annotation to TXT File ###
    boxes: format [[obj x1 y1 x2 y2],...]
    filepath: path/to/file.txt
    '''
    txt_file = open(filepath, "w")
    for box in boxes:
        print(box[0], int(box[1]), int(box[2]), int(box[3]), int(box[4]), file=txt_file)
    txt_file.close()

下图在本文中用作示例图像。

随机剪裁

随机剪裁：随机选择一个区域并将其裁剪出来，形成一个新的数据样本，被裁剪的区域应与原始图像具有相同的宽高比，以保持对象的形状。

在上图中，左边的图像是带有真实边界框的原始图像(红色部分)，右边的图像是通过裁剪橙色框中的区域创建的新样本。

在新样本的标注中，去除所有与左侧图像中橙色框不重叠的对象，并将橙色框边界上的对象的坐标进行细化，使之与新样本相匹配。对原始图像进行随机裁剪的输出是新的裁剪后的图像及其注释。

def randomcrop(img, gt_boxes, scale=0.5):