数据增强操作（旋转、翻转、裁剪、色彩变化、高斯噪声等）

转载https://blog.csdn.net/zhw864680355/article/details/89317741

# -*- coding:utf-8 -*-"""数据增强1. 翻转变换 flip2. 随机修剪 random crop3. 色彩抖动 color jittering4. 平移变换 shift5. 尺度变换 scale6. 对比度变换 contrast7. 噪声扰动 noise8. 旋转变换/反射变换 Rotation/reflection
"""# -*- coding:utf-8 -*-"""数据增强1. 翻转变换 flip2. 随机修剪 random crop3. 色彩抖动 color jittering4. 平移变换 shift5. 尺度变换 scale6. 对比度变换 contrast7. 噪声扰动 noise8. 旋转变换/反射变换 Rotation/reflection
"""from PIL import Image, ImageEnhance, ImageOps, ImageFile
import numpy as np
import random
import threading, os, time
import logging
import math
import shutillogger = logging.getLogger(__name__)
ImageFile.LOAD_TRUNCATED_IMAGES = Trueclass DataAugmentation:"""包含数据增强的八种方式"""def __init__(self):pass@staticmethoddef openImage(image):return Image.open(image, mode="r")@staticmethoddef randomFlip(image, mode=Image.FLIP_LEFT_RIGHT):"""对图像进行上下左右四个方面的随机翻转:param image: PIL的图像image:param model: 水平或者垂直方向的随机翻转模式,默认右向翻转:return: 翻转之后的图像model- Image.FLIP_LEFT_RIGHT,表示将图像左右翻转- Image.FLIP_TOP_BOTTOM,表示将图像上下翻转- Image.ROTATE_90,表示将图像逆时针旋转90°- Image.ROTATE_180,表示将图像逆时针旋转180°- Image.ROTATE_270,表示将图像逆时针旋转270°- Image.TRANSPOSE,表示将图像进行转置(相当于顺时针旋转90°)- Image.TRANSVERSE,表示将图像进行转置,再水平翻转"""# random_model = np.random.randint(0, 2)# flip_model = [Image.FLIP_LEFT_RIGHT, Image.FLIP_TOP_BOTTOM]# return image.transpose(flip_model[random_model])return image.transpose(mode)@staticmethoddef randomShift(image):# def randomShift(image, xoffset, yoffset=None):"""对图像进行平移操作:param image: PIL的图像image:param xoffset: x方向向右平移:param yoffset: y方向向下平移:return: 翻转之后的图像"""random_xoffset = np.random.randint(0, math.ceil(image.size[0] * 0.2))random_yoffset = np.random.randint(0, math.ceil(image.size[1] * 0.2))# return image.offset(xoffset = random_xoffset, yoffset = random_yoffset)return image.offset(random_xoffset)@staticmethoddef randomRotation(image, mode=Image.BICUBIC):"""对图像进行随机任意角度(0~360度)旋转:param mode 邻近插值,双线性插值,双三次B样条插值(default)--PIL.Image.BICUBIC--PIL.Image.LANCZOS--PIL.Image.BILINEAR--PIL.Image.NEAREST:param image PIL的图像image:return: 旋转转之后的图像"""random_angle = np.random.randint(1, 360)return image.rotate(random_angle, mode)@staticmethoddef randomCrop(image):"""对图像随意剪切,裁剪图像大小宽和高的2/3:param image: PIL的图像image:return: 剪切之后的图像"""image_width = image.size[0]image_height = image.size[1]crop_image_width = math.ceil(image_width * 2 / 3)crop_image_height = math.ceil(image_height * 2 / 3)x = np.random.randint(0, image_width - crop_image_width)y = np.random.randint(0, image_height - crop_image_height)random_region = (x, y, x + crop_image_width, y + crop_image_height)return image.crop(random_region)@staticmethoddef randomColor(image):"""对图像进行颜色抖动:param image: PIL的图像image:return: 有颜色色差的图像image"""random_factor = np.random.randint(0, 31) / 10.  # 随机因子color_image = ImageEnhance.Color(image).enhance(random_factor)  # 调整图像的饱和度random_factor = np.random.randint(10, 21) / 10.  # 随机因子brightness_image = ImageEnhance.Brightness(color_image).enhance(random_factor)  # 调整图像的亮度random_factor = np.random.randint(10, 21) / 10.  # 随机因1子contrast_image = ImageEnhance.Contrast(brightness_image).enhance(random_factor)  # 调整图像对比度random_factor = np.random.randint(0, 31) / 10.  # 随机因子return ImageEnhance.Sharpness(contrast_image).enhance(random_factor)  # 调整图像锐度@staticmethoddef randomGaussian(image, mean=0.2, sigma=0.3):"""对图像进行高斯噪声处理:param image::return:"""def gaussianNoisy(im, mean=0.2, sigma=0.3):"""对图像做高斯噪音处理:param im: 单通道图像:param mean: 偏移量:param sigma: 标准差:return:"""for _i in range(len(im)):im[_i] += random.gauss(mean, sigma)return im# 将图像转化成数组img = np.asarray(image)img.flags.writeable = True  # 将数组改为读写模式width, height = img.shape[:2]try:img_r = gaussianNoisy(img[:, :, 0].flatten(), mean, sigma)img_g = gaussianNoisy(img[:, :, 1].flatten(), mean, sigma)img_b = gaussianNoisy(img[:, :, 2].flatten(), mean, sigma)img[:, :, 0] = img_r.reshape([width, height])img[:, :, 1] = img_g.reshape([width, height])img[:, :, 2] = img_b.reshape([width, height])except:img = imgreturn Image.fromarray(np.uint8(img))@staticmethoddef saveImage(image, path):try:image.save(path)except:print('not save img: ', path)passfiles = []def get_files(dir_path):global filesif os.path.exists(dir_path):parents = os.listdir(dir_path)for parent in parents:child = os.path.join(dir_path, parent)if os.path.exists(child) and os.path.isfile(child):# child = child.split('/')[4:]# str_child = '/'.join(child)files.append(child)elif os.path.isdir(child):get_files(child)return fileselse:return Noneif __name__ == '__main__':times = 1  # 重复次数imgs_dir = '/home/huadian/图片/12'new_imgs_dir = '/home/huadian/图片/13/'# if os.path.exists(new_imgs_dir):#    shutil.rmtree(new_imgs_dir)funcMap = {"flip": DataAugmentation.randomFlip,"rotation": DataAugmentation.randomRotation,"crop": DataAugmentation.randomCrop,"color": DataAugmentation.randomColor,"gaussian": DataAugmentation.randomGaussian}funcLists = {"flip", "rotation", "crop", "color", "gaussian"}# funcLists = {"flip", "rotation", "crop", "gaussian"}# funcLists = {"rotation",  "crop", "gaussian"}global _indeximgs_list = get_files(imgs_dir)for index_img, img in enumerate(imgs_list):if index_img != 0 and index_img % 50 == 0:print('now is dealing %d image' % (index_img))tmp_img_dir_list = img.split('/')[:-1]tmp_img_dir_list[0:len(new_imgs_dir.split('/'))] = new_imgs_dir.split('/')new_img_dir = '/'.join(tmp_img_dir_list)if not os.path.exists(new_img_dir):os.makedirs(new_img_dir)try:shutil.copy(img, os.path.join(new_img_dir, img.split('/')[-1]))except:passimg_name = img.split('/')[-1].split('.')[0]postfix = img.split('.')[1]  # 后缀if postfix.lower() in ['jpg', 'jpeg', 'png', 'bmp']:image = DataAugmentation.openImage(img)_index = 1for func in funcLists:if func == 'flip':flip_model = [Image.FLIP_LEFT_RIGHT, Image.FLIP_TOP_BOTTOM]for model_index in range(len(flip_model)):new_image = DataAugmentation.randomFlip(image, flip_model[model_index])img_path = os.path.join(new_img_dir, img_name + '_' + str(_index) + '.' + postfix)DataAugmentation.saveImage(new_image, img_path)_index += 1elif func == 'gaussian':new_image = DataAugmentation.randomGaussian(image)img_path = os.path.join(new_img_dir, img_name + '_' + str(_index) + '.' + postfix)DataAugmentation.saveImage(new_image, img_path)_index += 1else:for _i in range(0, times, 1):new_image = funcMap[func](image)img_path = os.path.join(new_img_dir, img_name + '_' + str(_index) + '.' + postfix)DataAugmentation.saveImage(new_image, img_path)_index += 1

数据增强操作（旋转、翻转、裁剪、色彩变化、高斯噪声等）相关推荐

【AutoML】如何选择最合适的数据增强操作
大家好,欢迎来到专栏<AutoML>.在这个专栏中,我们会讲述AutoML技术在深度学习中的应用.这一期讲述在数据增强中的应用,这也是AutoML技术最早期的应用之一. 作者&编辑 ...
图像数据增强（平移，旋转，亮度变换，翻转，添加高斯噪声，缩放，裁剪）
1.平移: import cv2 import tensorflow as tf import numpy as np from PIL import Image from skimage impor ...
深度学习原理与框架-卷积网络细节-数据增强策略 1.翻转 2.随机裁剪 3.平移 4.旋转角度...
数据增强表示的是,在原始图像的基础上,对数据进行一定的改变,增加了数据样本的数量,但是数据的标签值并不发生改变, 图片中可以看出对猫这张图片进行了灰度值的变化,但是猫的标签并没有发生改变常见的数据增 ...
目标检测的Tricks | 【Trick8】数据增强——随机旋转、平移、缩放、错切、hsv增强
如有错误,恳请指出. 在之前使用opencv就介绍使用过一些常用的数据增强的实现方法,见:<数据增强 | 旋转.平移.缩放.错切.HSV增强>,当时介绍了旋转.平移.缩放.错切.HSV增强 ...
【数据增强】---- 使用 Pytorch 裁剪图片并保存
文章目录概述实现方式项目结构及代码输出结果补充对文件夹里的所有图片批量裁剪概述最近需要制作一个数据集,由于数据集的数量不够,而这些数据集中的单张照片很大,因此可以通过裁剪的方式进行数据 ...
对图片数据集进行数据增强操作
运行平台:pycharm 在对数据集进行训练的过程中,为了使网络模型具有更好的鲁棒性,通常我们需要对数据集进行数据增强处理,常见的处理方法有添加噪声.旋转.改变亮度等,如图1,2所示. 图1.原图(c ...
coco数据集进行裁剪、数据增强过程中的ground_truth bbox的设定以及变化
目录前言: 1. 写入json文件时的 ground truth bbox 2. 导入图片和获取对应的 ground truth bbox 3. 进行数据增强后, 决定了最终的 ground ...
最全可白嫖之高光谱图像数据处理（格式转换，数据增强，通道剪切，大小裁剪，光谱显示，折线图表示）
目录 (一)高光谱谱格式转换之rar转mat格式 ①RAW转tiff步骤: ②tiff转mat步骤: (二)两种方法把高光谱图像缩放到0-1的数据集 (三)高光谱数据预处理成规定大小和规格的数据集 ( ...
盘点深度学习中的各种数据增强技巧
1 什么是数据增强? 数据增强也叫数据扩增,意思是在不实质性的增加数据的情况下,让有限的数据产生等价于更多数据的价值. 比如上图,第1列是原图,后面3列是对第1列作一些随机的裁剪.旋转操作得来. 每张 ...
【技术综述】深度学习中的数据增强方法都有哪些？
很多实际的项目,我们都难以有充足的数据来完成任务,要保证完美的完成任务,有两件事情需要做好:(1)寻找更多的数据.(2)充分利用已有的数据进行数据增强,今天就来说说数据增强. 作者 | 言有三编辑 ...

数据增强操作（旋转、翻转、裁剪、色彩变化、高斯噪声等）

数据增强操作（旋转、翻转、裁剪、色彩变化、高斯噪声等）相关推荐

最新文章

热门文章