在之前的文章中,分别对数据增强的库函数进行了介绍,本文将结合实际应用进行批量图片的数据增强。
背景:项目采集的是灰度图,原数据只有不到20张图片,因此,选择数据增强的方法,通过不同变换方法的组合,实现数据增加的百张以上,这样才可以放入深度学习模型进行训练(利用迁移学习)。
话不多说,直接上代码,在代码中解释用到的变换操作。
1 单核方法
#!usr/bin/python
# -*- coding: utf-8 -*-
import cv2
from imgaug import augmenters as iaa
import os
class MyAugMethod():
def __init__(self):
self.seq = iaa.Sequential()
self.imglist_name = []
self.imglist = []
# 遍历输入文件夹,返回所有图片名称
def show_path_file(self, inputpath, all_files_name, all_files):
# 首先遍历当前目录所有文件及文件夹
file_list = os.listdir(inputpath)
# 保存图片文件的目录
last_path = inputpath
# 准备循环判断每个元素是否是文件夹还是文件,
# 是文件的话,把名称传入list,是文件夹的话,递归
for filename in file_list:
# 利用os.path.join()方法取得路径全名,并存入cur_path变量
# 否则每次只能遍历一层目录
cur_path = os.path.join(inputpath, filename)
# 判断是否是文件夹
if os.path.isdir(cur_path):
last_path = cur_path
self.show_path_file(cur_path, all_files_name, all_files)
else:
filename = os.path.join(last_path, filename)
all_files_name.append(filename)
all_files.append(cv2.imread(filename))
# 定义增强的方法
def aug_method(self):
# 给指定的方法设置对应比例
# 如Sometimes(0.5, GaussianBlur(0.3))表示每两张图片做一次模糊处理
sometimes = lambda aug: iaa.Sometimes(0.5, aug)
# 定义一组变换方法.
self.seq = iaa.Sequential([
# 选择0到5种方法做变换
iaa.SomeOf((0, 5),
[
# 将图像进行超分辨率,每幅图采样20到200个像素,
# 替换其中的一些值,但不会使用平均值来替换所有的超像素
sometimes(
iaa.Superpixels(
p_replace=(0, 1.0),
n_segments=(20, 200)
)
),
# 使用不同的模糊方法来对图像进行模糊处理
# 高斯滤波
# 均值滤波
# 中值滤波
iaa.OneOf([
iaa.GaussianBlur((0, 3.0)),
iaa.AverageBlur(k=(2, 7)),
iaa.MedianBlur(k=(3, 11)),
]),
# 对图像进行锐化处理,alpha表示锐化程度
iaa.Sharpen(alpha=(0, 1.0), lightness=(0.75, 1.5)),
# 与sharpen锐化效果类似,但是浮雕效果
iaa.Emboss(alpha=(0, 1.0), strength=(0, 2.0)),
# 添加高斯噪声
iaa.AdditiveGaussianNoise(
loc=0, scale=(0.0, 0.05*255)
),
# 每个像素增加(-10,10)之间的像素值
iaa.Add((-10, 10), per_channel=0.5),
# 将-40到40之间的随机值添加到图像中,每个值按像素采样
iaa.AddElementwise((-40, 40)),
# 改变图像亮度(原值的50-150%)
iaa.Multiply((0.5, 1.5)),
# 将每个像素乘以0.5到1.5之间的随机值.
iaa.MultiplyElementwise((0.5, 1.5)),
# 增强或弱化图像的对比度.
iaa.ContrastNormalization((0.5, 2.0)),
],
# 按随机顺序进行上述所有扩充
random_order=True
)
],random_order=True)
# 增强函数
def aug_data(self, inputpath, times):
# 获得输入文件夹中的文件列表
self.show_path_file(inputpath, self.imglist_name, self.imglist)
# 实例化增强方法
self.aug_method()
#对文件夹中的图片进行增强操作,循环times次
for count in range(times):
print("aug data for {} times ".format(count))
images_aug = self.seq.augment_images(self.imglist)
for index in range(len(images_aug)):
filename = self.imglist_name[index].split(".jpg", 1)[0]
filename = filename + "_" + str(count) +'.jpg'
#保存图片
cv2.imwrite(filename, images_aug[index])
# print('image of count%s index%s has been writen'%(count,index))
if __name__ == "__main__":
# 图片文件相关路径
inputpath = './data/test'
times = 3
test = MyAugMethod()
test.aug_data(inputpath, times)
2 多核方法
(待完成……)
通过以上代码的操作,可将目标文件夹中的原始图片进行随机变化,选择变化方法组中的0到5种操作,当然,也可以在方法组中添加其它需要的操作,由于我的原图是灰度图,没有涉及到颜色空间的变化,如果是彩色图,可以增加相对应的变化,这样更全面一些。