图片数据增强库(imgaug)的标准用法

    之前自己做实验的时候都是自己写的图片缩放、旋转、剪切、噪声、仿射等等,都是利用cv2库来实现图片和图片标注点和标注框的变化。今天看其他人的代码,发现现在有其他图片数据增强的开源python代码。下午就去阅读下官方文档,注释下官方文档的代码,希望对其他人有一点点帮助。官方文档地址https://imgaug.readthedocs.io/en/latest/

#coding:utf-8
from imgaug import augmenters as iaa
import numpy as np
import imgaug as ia
import cv2
images = np.array(
    [ia.quokka(size=(256, 256)) for _ in range(32)],
    dtype=np.uint8
)######同一张复制32张,模拟网络输入的batch大小 shape(32,64,64,3)
#########使用该库,输入要求4D张量(N, height, width, channels) 或者3D张量RGB类型(height, width, channels)
########## gray类型(height, width, 1)
images = images[0]
cv2.imwrite('./img.jpg',images)
images = np.expand_dims(images,axis=0)
seq = iaa.Sequential([
    iaa.Fliplr(p=0.5), # 水平0.5的概率翻转
    iaa.Flipud(p=1), ##垂直0.5的概率翻转
    iaa.Crop(percent=(0, 0.3),keep_size=True), # 0-0.1的数值,分别乘以图片的宽和高为剪裁的像素个数,保持原尺寸
    iaa.Sometimes(p=1,
                  then_list=[iaa.GaussianBlur(sigma=(0, 0.5))],else_list=[iaa.Flipud(p=0.5),iaa.Flipud(p=0.5)]
    ),       ######以p的概率执行then_list的增强方法,以1-p的概率执行else_list的增强方法,其中then_list,else_list默认为None
    iaa.ContrastNormalization((0.75, 1.5),per_channel=True),####0.75-1.5随机数值为alpha,对图像进行对比度增强,该alpha应用于每个通道
    iaa.AdditiveGaussianNoise(loc=0, scale=(0.0, 0.3*255), per_channel=0.5), #### loc 噪声均值,scale噪声方差,50%的概率,对图片进行添加白噪声并应用于每个通道
    iaa.Multiply((0.8, 1.2), per_channel=0.2), ####20%的图片像素值乘以0.8-1.2中间的数值,用以增加图片明亮度或改变颜色
    iaa.Affine(
        scale={"x": (0.8, 1.2), "y": (0.8, 1.2)},
        translate_percent={"x": (-0.2, 0.2), "y": (-0.2, 0.2)},
        rotate=(-25, 25),
        shear=(-8, 8))
    ########对图片进行仿射变化,缩放x,y取值范围均为0.8-1.2之间随机值,左右上下移动的值为-0.2-0.2乘以宽高后的随机值
    ########旋转角度为-25到25的随机值,shear剪切取值范围0-360,-8到8随机值进行图片剪切
], random_order=True) # 打乱定义图像增强的顺序

images_aug = seq.augment_images(images)
images_aug = np.squeeze(images_aug,axis=0)
cv2.imwrite('all.jpg',images_aug)

这里放下原图和每一个变化后的结果图,以及最后全部变化的结果图。

                 原图                                                        Fliplr                                                       Flipud          

                          Crop                                            GaussianBlur                               ContrastNormalization

          AdditiveGaussianNoise                                   Multiply                                          Affine 

                     all

展开阅读全文

没有更多推荐了,返回首页