用Python+OpenCV进行数据扩充

数据扩充是一种增加数据集多样性的技术，无需收集更多真实数据，但仍有助于提高模型精度并防止模型过拟合。

在本文中，你将学习使用Python和OpenCV为对象检测任务实现最流行、最高效的数据扩充过程。

即将引入的一组数据扩充方法包括：

1. 随机裁剪

2. Cutout

3. 颜色抖动

4. 增加噪音

5. 过滤

首先，在继续之前，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):
    '''
    ### 在TXT文件里的行转换为列表 ###
    path: 文件路径
    '''
    with open(path) as f:
        content = f.readlines()
    content = [(x.strip()).split() for x in content]
    return content

def get_file_name(path):
    '''
    ### 获取Filepath的文件名 ###
    path: 文件路径
    '''
    basename = os.path.basename(path)
    onlyname = os.path.splitext(basename)[0]
    return onlyname

def write_anno_to_txt(boxes, filepath):
    '''
    ### 给TXT文件写注释 ###
    boxes: format [[obj x1 y1 x2 y2],...]
    filepath: 文件路径
    '''
    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()

下面的图片是在这篇文章中使用的示例图片。

随机裁剪

随机裁剪随机选择一个区域并进行裁剪以生成新的数据样本，裁剪后的区域应具有与原始图像相同的宽高比，以保持对象的形状。

从上图中，左侧图像表示具有边界框（红色）的原始图像，通过裁剪橙色框内的区域创建一个新样本作为右侧图像。

在新示例的注释中，将删除与左侧图像中的橙色框不重叠的所有对象，并细化位于橙色框边界上的对象的坐标，使其适合新图像示例。原始图像的随机裁剪输出为新裁剪图像及其注释。

def randomcrop(img, gt_boxes, scale=0.5):
    '&#