Python 数据扩充（亮度、翻转、噪声）

因为训练模型的数据集很少，需要进行扩充，主要使用了一些单样本扩充方法，例如亮度变换、水平垂直翻转、增加图像噪声

下面对自己用到的一些代码进行整理，方便后续查看与使用

环境说明

opencv：opencv_python 4.5.5.64
numpy：1.19.2

下面的方法统一利用到的变量：

# 当前数据集图片格式
file_format = ".png"
# 左右翻转文件名附加字符
LR = "_lr"
# 上下翻转文件名附加字符
TB = "_tb"
# 变亮
BR = "_br"
# 椒盐噪声
SA = "_sa"
# 高斯噪声
GA = "_ga"
# 翻转
FZ = "fz_"
# 获取到文件的文件名
def getImageName(path):return os.path.basename(path)

亮度

这里主要用了两种，分别是亮度变亮 亮度变暗 ，实现原理都是一样的

主要用到两个方法：

cv2.imread：python opencv cv2.imread
cv2.imwrite：python opencv cv2.imwrite
np.clip：该函数的作用是数限定到范围a_min和a_max中

亮度：

import cv2
# 亮度变亮
# img_list：所有的图片地址，数组 例如：[xxx/xxx1.png , xxx/xxx2.png]
# base_path：原图片所在的文件目录
# save_base_path：变量后保存的文件目录
# percetage：亮度，变亮设置为大于1的数字，变暗设置为小于1数字
def brighter(img_list, base_path, save_base_path, percetage=1.2):for i in range(len(img_list)):# 原图片的地址img_path = img_list[i]# 保存的文件地址，以前文件名称为example.png 下面保存为 example_br.pngimage_save_full_path = save_base_path + getImageName(img_path).split(file_format)[0] + BR + file_formatpri_image = cv2.imread(img_path, -1)image_copy = pri_image.copy()w = pri_image.shape[1]h = pri_image.shape[0]# get brighter 根据像素将其变量for xi in range(0, w):for xj in range(0, h):image_copy[xj, xi, 0] = np.clip(int(pri_image[xj, xi, 0] * percetage), a_max=255, a_min=0)image_copy[xj, xi, 1] = np.clip(int(pri_image[xj, xi, 1] * percetage), a_max=255, a_min=0)image_copy[xj, xi, 2] = np.clip(int(pri_image[xj, xi, 2] * percetage), a_max=255, a_min=0)# 保存cv2.imwrite(image_save_full_path, image_copy)

使用后示例：（变亮）

翻转

这里主要用了五种，分别是 上下翻转左右翻转 90度翻转 180度翻转 270度翻转 ，实现原理都是一样的

主要用到两个方法：

PIL.Image.open：打开文件
PIL.Image.Image.transpose：进行翻转操作

FLIP_LEFT_RIGHT = 0
FLIP_TOP_BOTTOM = 1
ROTATE_90 = 2
ROTATE_180 = 3
ROTATE_270 = 4

from PIL import Image
# 左右翻转
# img_list：所有的图片地址，数组 例如：[xxx/xxx1.png , xxx/xxx2.png]
# save_base_path：变量后保存的文件目录
def leftRightFz(img_list, save_base_path):# 1.遍历图片for i in range(len(img_list)):# 图片路径img_path = img_list[i]# 打开图片 PIL.Image.Image对象pri_image = Image.open(img_path)# 保存的文件地址，以前文件名称为example.png 下面保存为 example_lr.pngimage_save_full_path = save_base_path + getImageName(img_path).split(file_format)[0] + LR + file_format# 左右镜面翻转FLIP_LEFT_RIGHTpri_image.transpose(Image.FLIP_LEFT_RIGHT).save(image_save_full_path)# 这里根据翻转的不同，输入不同的值FLIP_LEFT_RIGHT = 0 # 左右翻转FLIP_TOP_BOTTOM = 1 # **上下翻转ROTATE_90 = 2 #  90度翻转 ROTATE_180 = 3 # 180度翻转ROTATE_270 = 4 # 270度翻转

使用后示例：（左右翻转）

噪声

这里用到了两种噪声，分别：

高斯噪声，指服从正态分布的一类噪声，通常RGB图像显现比较明显
椒盐噪声，指黑白相间的亮暗点噪声。通常灰度图中比较明显

椒盐噪声

主要用到两个方法：

cv2.imread：python opencv cv2.imread
cv2.imwrite：python opencv cv2.imwrite

# 椒盐噪声
# img_list：所有的图片地址，数组 例如：[xxx/xxx1.png , xxx/xxx2.png]
# base_path：原图片所在的文件目录
# save_base_path：变量后保存的文件目录
# percetage：噪声情况
def SaltAndPepper(img_list, base_path, save_base_path, percetage=0.3):for i in range(len(img_list)):img_path = img_list[i]# 保存的文件地址，以前文件名称为example.png 下面保存为 example_sa.pngimage_save_full_path = save_base_path + getImageName(img_path).split(file_format)[0] + SA + file_formatpri_image = cv2.imread(img_path)image_copy = pri_image.copy()w = pri_image.shape[1]h = pri_image.shape[0]# noise_numnoise_num = int(percetage * w * h)for i in range(noise_num):randR = np.random.randint(0, h - 1)randG = np.random.randint(0, w - 1)randB = np.random.randint(0, 3)# 随机对图片加上黑白点if np.random.randint(0, 1) == 0:image_copy[randR, randG, randB] = 0else:image_copy[randR, randG, randB] = 255cv2.imwrite(image_save_full_path, image_copy)

示例：

高斯噪声

主要用到两个方法：

cv2.imread：python opencv cv2.imread
cv2.imwrite：python opencv cv2.imwrite
np.random.randn：正态分布矩阵生成
np.zeros：初始化一个矩阵，值为0

from PIL import Image
import numpy as np
import cv2
# 高斯噪声
# img_list：所有的图片地址，数组 例如：[xxx/xxx1.png , xxx/xxx2.png]
# base_path：原图片所在的文件目录
# save_base_path：变量后保存的文件目录
# percetage：噪声情况
def GaussianNoise(img_list, base_path, save_base_path, percetage=20):for i in range(len(img_list)):img_path = img_list[i]# 保存的文件地址，以前文件名称为example.png 下面保存为 example_ga.pngimage_save_full_path = save_base_path + getImageName(img_path).split(file_format)[0] + GA + file_formatpri_image = cv2.imread(img_path)image_copy = pri_image.copy()w = pri_image.shape[1]h = pri_image.shape[0]# 正太分布noise = np.random.randn(h, w) * percetage# 一个与图片w,h大小的0矩阵noisy_img = np.zeros(image_copy.shape, np.float64)if len(image_copy.shape) == 2:noisy_img = image_copy + noiseelse: # 增加噪声noisy_img[:, :, 0] = image_copy[:, :, 0] + noisenoisy_img[:, :, 1] = image_copy[:, :, 1] + noisenoisy_img[:, :, 2] = image_copy[:, :, 2] + noisecv2.imwrite(image_save_full_path, noisy_img)

示例：

Python 数据扩充（亮度、翻转、噪声）相关推荐

python学习音频-Python 音频数据扩充的技巧
经典的深度学习网络AlexNet使用数据扩充(Data Augmentation)的方式扩大数据集,取得较好的分类效果.在深度学习的图像领域中,通过平移. 翻转.加噪等方法进行数据扩充.但是,在音频( ...
Python 音频数据扩充的技巧
经典的深度学习网络AlexNet使用数据扩充(Data Augmentation)的方式扩大数据集,取得较好的分类效果.在深度学习的图像领域中,通过平移. 翻转.加噪等方法进行数据扩充.但是,在音频( ...
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. ...
通过数据扩充来扩展数据集
目录介绍数据扩充几何变换图像过滤现在所有的技巧都在一个算法中下一步在这里,我们将简要介绍数据增强技术.然后,我们选择适合我们数据集的适当扩充方法.然后,我们提供并解释用于实现增强算法的P ...
【深度学习】数据扩充 (Data Augmentation)
Introduction 数据扩充(data augmentation),又名数据增强 / 数据增广. 其本质即: 缺少海量数据时,为了保证模型的有效训练,一分钱掰成两半花. 数据扩充方法包括: 简 ...
【深度学习技巧】数据扩充--常规手法
深度学习模型需要足够的数据支撑才能进行更好地训练,但实际生活中,作为开发者往往无法获取大量的数据,而专业的数据采集和标注公司提供的数据服务也并不便宜,因此,解决此问题有一个较为不错的初级方案,那就是利 ...
Keras ImageDataGenerator用于数据扩充/增强的原理及方法
摘要在这篇博客中,您将学习如何使用Keras的ImageDataGenerator类执行数据扩充/增强.另外将介绍什么是数据增强,数据增强的类型,为什么使用数据增强以及它能做什么/不能做什么. 有三 ...
Python 数据增强 -- PIL模块
Python 数据增强 – PIL模块一.导入模块.读取图片 # 图像操作模块 from PIL import Image# 图像颜色增强模块 from PIL import ImageEnhanc ...
目标检测训练数据扩充增强工具使用说明
最近总有人私信我说这个工具该怎么用先附上资源地址: 目标检测数据扩充增强工具_目标检测数据增强-深度学习文档类资源-CSDN下载该工具基于DataAugmentationForObjectDete ...

Python 数据扩充（亮度、翻转、噪声）

Python 数据扩充（亮度、翻转、噪声）

环境说明

亮度

翻转

噪声

椒盐噪声

高斯噪声

Python 数据扩充（亮度、翻转、噪声）相关推荐

最新文章

热门文章