本篇为处女作，请大家多多指教。
在做深度学习时，数据的处理是重中之重。在做自己的数据集时，可能会面临数据图像数目不均衡，数据量少的困扰。本篇文章就是介绍图像增强的方法，对图像进行增强，增加图像的数目。
一、增加噪声
在图像中增加适量噪声可以增强学习能力。噪声有很多种，常见的有椒盐噪声，高斯噪声等。
1.椒盐噪声：一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素（或是两者皆有）。
#添加椒盐噪声
def sp_noise(image):
output = np.zeros(image.shape,np.uint8)
prob=rand(0.0005,0.001) #随机噪声比例
thres = 1 - prob
for i in range(image.shape[0]):
for j in range(image.shape[1]):
rdn = random.random()
if rdn < prob:
output[i][j] = 0
elif rdn > thres:
output[i][j] = 255
else:
output[i][j] = image[i][j]
return output
2.高斯噪声：概率密度函数服从高斯分布。
def gasuss_noise(image, mean=0, var=0.001):
'''
添加高斯噪声
mean : 均值
var : 方差
'''
image = np.array(image/255, dtype=float)
noise = np.random.normal(mean, var ** 0.5, image.shape)
out = image + noise
if out.min() < 0:
low_clip = -1.
else:
low_clip = 0.
out = np.clip(out, low_clip, 1.0)
out = np.uint8(out*255)
return out
二、滤波（模糊）处理
滤波处理主要是让图像变得模糊，提取图像的重要信息。常见的模糊处理有：高斯模糊，中值模糊，均值（椒盐）模糊。
卷积核大小一般为奇数：（3，3）、（5，5）、（7，7）
#利用opencv模块
img1 = cv2.blur(img,(5,5)) #中值滤波
img2 = cv2.medianBlur(img,5) #椒盐滤波
img3 = cv2.GaussianBlur(img,(5,5)，0) #高斯滤波
三、旋转
图像的大小不变，可以将图像进行上下旋转，左右旋转等增加数据量，一般根据自己的需求，有些数据旋转之后就不符合原数据的要求了。
#利用pil模块
img=Iamge.open('xxx')
#1.自定义旋转的角度
img2 = img.rotate(90)
#2.引用固定的常量值
img2 = im.transpose(Image.FLIP_LEFT_RIGHT) #镜像旋转
img2 = im.transpose(Image.FLIP_TOP_BOTTOM) #上下旋转
此处其实没必要进行翻转，因为会不符合要求。所以要根据自己的需求进行选择。
四、图像缩放
可以通过改变图像的大小对数据增强，但有可能会引起图像的失真。
def change_scale(image,input_shape,jitter=.5)
iw, ih = image.size
h, w = input_shape
# 对图像进行缩放并且进行长和宽的扭曲
new_ar = w/h * rand(1-jitter,1+jitter)/rand(1-jitter,1+jitter)
scale = rand(.15,2.5)
if new_ar < 1:
nh = int(scale*h)
nw = int(nh*new_ar)
else:
nw = int(scale*w)
nh = int(nw/new_ar)
image = image.resize((nw,nh), Image.BICUBIC)
retuen image
五、色彩抖动
色彩抖动是通过随机调整原始图片的饱和度，亮度，对比度来对产生新的图像，增加数据集
def randomColor(image):
#随机生成0，1来随机确定调整哪个参数，可能会调整饱和度，也可能会调整图像的饱和度和亮度
saturation=random.randint(0,1)
brightness=random.randint(0,1)
contrast=random.randint(0,1)
sharpness=random.randint(0,1)
#当三个参数中一个参数为1，就可执行相应的操作
if random.random() < saturation:
random_factor = np.random.randint(0, 31) / 10. # 随机因子
image = ImageEnhance.Color(image).enhance(random_factor) # 调整图像的饱和度
if random.random() < brightness:
random_factor = np.random.randint(10, 21) / 10. # 随机因子
image = ImageEnhance.Brightness(image).enhance(random_factor) # 调整图像的亮度
if random.random() < contrast:
random_factor = np.random.randint(10, 21) / 10. # 随机因1子
image = ImageEnhance.Contrast(image).enhance(random_factor) # 调整图像对比度
if random.random() < sharpness:
random_factor = np.random.randint(0, 31) / 10. # 随机因子
ImageEnhance.Sharpness(image).enhance(random_factor) # 调整图像锐度
return image
色彩抖动之后的图像可以根据自己的需求进行删减，对于一些阴间图像可以剔除掉。
六、图像均衡化
#限制对比度自适应直方图均衡
def clahe(image):
b, g, r = cv2.split(image)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
b = clahe.apply(b)
g = clahe.apply(g)
r = clahe.apply(r)
image_clahe = cv2.merge([b, g, r])
return image_clahe
#伽马变换
def gamma(image):
fgamma = rand(0,2)
image_gamma = np.uint8(np.power((np.array(image) / 255.0), fgamma) * 255.0)
cv2.normalize(image_gamma, image_gamma, 0, 255, cv2.NORM_MINMAX)
cv2.convertScaleAbs(image_gamma, image_gamma)
return image_gamma
#直方图均衡
def hist(image):
r, g, b = cv2.split(image)
r1 = cv2.equalizeHist(r)
g1 = cv2.equalizeHist(g)
b1 = cv2.equalizeHist(b)
image_equal_clo = cv2.merge([r1, g1, b1])
return image_equal_clo
全部代码
#已有：翻转，色域变换，噪声，大小改变，模糊，色彩抖动，均衡化
import cv2
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image,ImageEnhance
from matplotlib.colors import rgb_to_hsv, hsv_to_rgb
import os
import random
#限制对比度自适应直方图均衡
def clahe(image):
b, g, r = cv2.split(image)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
b = clahe.apply(b)
g = clahe.apply(g)
r = clahe.apply(r)
image_clahe = cv2.merge([b, g, r])
return image_clahe
#伽马变换
def gamma(image):
fgamma = 2
image_gamma = np.uint8(np.power((np.array(image) / 255.0), fgamma) * 255.0)
cv2.normalize(image_gamma, image_gamma, 0, 255, cv2.NORM_MINMAX)
cv2.convertScaleAbs(image_gamma, image_gamma)
return image_gamma
#直方图均衡
def hist(image):
r, g, b = cv2.split(image)
r1 = cv2.equalizeHist(r)
g1 = cv2.equalizeHist(g)
b1 = cv2.equalizeHist(b)
image_equal_clo = cv2.merge([r1, g1, b1])
return image_equal_clo
#椒盐噪声
def sp_noise(image):
output = np.zeros(image.shape,np.uint8)
prob=rand(0.0005,0.001)
thres = 1 - prob
for i in range(image.shape[0]):
for j in range(image.shape[1]):
rdn = random.random()
if rdn < prob:
output[i][j] = 0
elif rdn > thres:
output[i][j] = 255
else:
output[i][j] = image[i][j]
return output
#色彩抖动
def randomColor(image):
saturation=random.randint(0,1)
brightness=random.randint(0,1)
contrast=random.randint(0,1)
sharpness=random.randint(0,1)
if random.random() < saturation:
random_factor = np.random.randint(0, 31) / 10. # 随机因子
image = ImageEnhance.Color(image).enhance(random_factor) # 调整图像的饱和度
if random.random() < brightness:
random_factor = np.random.randint(10, 21) / 10. # 随机因子
image = ImageEnhance.Brightness(image).enhance(random_factor) # 调整图像的亮度
if random.random() < contrast:
random_factor = np.random.randint(10, 21) / 10. # 随机因1子
image = ImageEnhance.Contrast(image).enhance(random_factor) # 调整图像对比度
if random.random() < sharpness:
random_factor = np.random.randint(0, 31) / 10. # 随机因子
ImageEnhance.Sharpness(image).enhance(random_factor) # 调整图像锐度
return image
def rand(a=0, b=1):
return np.random.rand()*(b-a) + a
def get_data(image,input_shape=[200,200],random=True, jitter=.5,hue=.1, sat=1.5, val=1.5, proc_img=True):
iw, ih = image.size
h, w = input_shape
# 对图像进行缩放并且进行长和宽的扭曲
new_ar = w/h * rand(1-jitter,1+jitter)/rand(1-jitter,1+jitter)
scale = rand(.15,2.5)
if new_ar < 1:
nh = int(scale*h)
nw = int(nh*new_ar)
else:
nw = int(scale*w)
nh = int(nw/new_ar)
image = image.resize((nw,nh), Image.BICUBIC)
# 翻转图像
flip = rand()<.5 1 if flip: image="image.transpose(Image.FLIP_LEFT_RIGHT)" #噪声或者虚化，二选一 cv2.color_rgb2bgr) a1="np.random.randint(0," 3) elif (5, 5), 0) else: #均衡化 index_noise="np.random.randint(0," 10) print(index_noise) print('hist,done') print('clahe,done') print('gamma,done') #色彩抖动 print(image.size) # 色域扭曲 hue="rand(-hue," hue) sat="rand(1," sat) rand()<.5 else rand(1, val="rand(1," val) x="rgb_to_hsv(np.array(image)/255.)" x[..., 0] +="hue" 0][x[...,>1] -= 1
x[..., 0][x[..., 0]<0] +="1" x[..., 1] *="sat" 2] x[x>1] = 1
x[x<0] 0 = image_data="hsv_to_rgb(x)" return if __name__="=" "__main__": #图像批量处理 dirs="./class_pic3/407_3/" #原始图像所在的文件夹 dets="./class_pic3/dets/407_3/" #图像增强后存放的文件夹 mylist="os.listdir(dirs)" l="len(mylist)" #文件夹图片的数量 for j in range(0,l): image="cv2.imread(dirs+mylist[j])" img="Image.fromarray(np.uint8(image))" i range(0,2): #自定义增强的张数 img_ret="get_data(img)" #imwrite(存入图片路径+图片名称+'.jpg',img) #注意：名称应该是变化的，不然会覆盖原来的图片 cv2.imwrite(dets+'1'+str(j)+'0'+str(i)+'.jpg',img_ret) print('done') #单个图像处理 ''' range(0,4): cv2.imwrite('. class_pic3 323'+'02'+str(i)+'.jpg',img_ret) < code></0]></0]></.5>
大家可以根据自己的需求对代码有所调整。
Original: https://blog.csdn.net/qq_52050692/article/details/119698239
Author: 小谭爱学习
Title: 数据增强（噪声，模糊，缩放，色域变换，均衡化，色彩抖动）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/703687/
转载文章受原作者版权保护。转载请注明原作者出处！