前言

imgaug是一个很好用的图像增广库。学习的最好文档就是官方文档，因此本系列专栏是翻译imgaug库的官方教程文档，全部翻译完后会附增广原图+标签的代码及常用增广图像函数整理~

一、加载并增广一张图片

输入数据格式要求：使用imgaug增广图像只需要几行代码。但在此之前，我们首先要加载图像。Imgaug期望图像是numpy数组，且最好格式为dtype uint8，即当数组的值在0到255的范围内。通道轴总是被期望是最后一个轴，并且对于灰度图像可以不写通道轴。对于非灰度图像，期望的输入颜色空间是RGB。

非uint8数据：需要查看文档中增广图像函数的具体要求，请记住uint8是最受考验的格式。

图像加载函数：因为imgaug只处理增强，而不是图像输入/输出，我们将需要另一个库来加载我们的图像。在python中，一个常见的选择是imageio，我们将在下面使用它。另一个常见的选择是OpenCV通过它的函数cv2.imread()。但是请注意cv2.imread()返回BGR色彩空间中的图像而不是RGB，这意味着您将不得不重新排序通道轴，例如通过cv2.imread(path)[:，:，::-1]。你也可以将每个依赖于颜色空间的增强器更改为BGR(例如灰度或任何改变色相和/或饱和度的增强器)。请参阅API了解每个增强器的详细信息。后一种方法的缺点是，所有可视化函数(例如下面的imog .imshow())仍然需要RGB数据，因此BGR图像看起来会很糟糕。

二、加载并显示一张图片

第一个例子，我们将使用imageio.imread()来加载图像并对其进行增强。在下面的代码块中，我们调用imagio.imread(uri)来直接从维基百科加载图像，但我们也可以从文件路径加载它，例如通过imagio.imread(“/path/to/the/file.jpg”)或Windows imagio.imread(“C:\path\to\the\file.jpg”)。imageio.imread(uri)返回一个numpy数组，包含dtype uint8, shape (height, width, channel)和RGB colorspace。这正是我们所需要的。加载图像后，我们使用imgauge .imshow(array)对加载的图像进行可视化。

import imageio
import imgaug as ia
%matplotlib inlineimage = imageio.imread("https://upload.wikimedia.org/wikipedia/en/7/7d/Lenna_%28test_image%29.png")print("Original:")
ia.imshow(image)

三、增强图像

现在我们已经加载了图像，让我们来扩充它。imgaug以派生自Augmenter父类的类的形式包含许多增强技术。要使用一种增强技术，我们必须用一组超参数实例化它，然后在以后多次应用它。我们的第一个增广技术将是仿射Affine，即仿射变换。我们简单使用该技术在-25°和+25°之间随机旋转图像。

from imgaug import augmenters as iaa
ia.seed(4)rotate = iaa.Affine(rotate=(-25, 25))
image_aug = rotate(image=image)print("Augmented:")
ia.imshow(image_aug)

四、增强一组图像

我们可以只是将参数image更改为images就实现批量增强。通常，对一批图像进行增强比对每一张图像进行单独增强要快得多。

为了简单起见，我们在这里创建了一个批处理，只需复制原始图像几次，然后通过旋转增强器将其输入。为了可视化结果，我们使用numpy的hstack()函数，该函数通过将增强批处理中的图像水平地放在一起，将它们组合成一个大图像。

import numpy as npimages = [image, image, image, image]
images_aug = rotate(images=images)print("Augmented batch:")
ia.imshow(np.hstack(images_aug))

可以看到，批处理中的所有图像都自动旋转了不同的数量。这是因为当通过rotate = iaa.Affine(rotate=(- 25,25))实例化我们的仿射变换时，我们对旋转用一个给定区间(- 25,25)，表示旋转度数均匀分布在(-25,25)。我们还可以选择常量rotate=-25来始终旋转-25°，或者选择列表rotate=[-25， -15, 0]来旋转-25°、-15°或0°。我们也可以选择很多其他的概率分布，比如高斯分布或泊松分布。需要查阅相关文档。
图像列表or单个数组：注意，在上面的示例中，我们使用了一个列表将图像组合为一批。我们还可以提供一个形状(N, H, W， [C])的单一numpy数组，其中N表示图像的数量，H表示高度，W表示宽度，C(可选)表示通道轴。通常首选使用numpy数组，因为它们可以节省内存，而且扩充图像速度更快一些。然而，如果你的图像有不同的高度，宽度或通道的数量，它们不能组合到一个单一的数组，则必须使用列表。

五、同时用很多增强图像技术

只执行仿射旋转是相当有限的。因此，在下一个例子中，我们将结合几种方法，并将它们同时应用于图像。为此，我们可以实例化每一种技术，并通过多次调用augmenter(images=…)逐个应用它们。或者，我们可以使用Sequential将不同的增强器组合到一个管道中，然后在单个增强调用中应用它们。我们将使用下面的Sequential来应用仿射旋转(affine)，添加一些高斯噪声(AdditiveGaussianNoise)，并通过从图像的每一侧删除0%到20%来裁剪图像(crop)。

seq = iaa.Sequential([iaa.Affine(rotate=(-25, 25)),iaa.AdditiveGaussianNoise(scale=(10, 60)),iaa.Crop(percent=(0, 0.2))
])images_aug = seq(images=images)print("Augmented:")
ia.imshow(np.hstack(images_aug))

注意到一些图片是放大的，这个是因为Crop。还要注意所有的图像仍然具有相同的大小。这是因为默认情况下，Crop会保留输入图像的大小，即，在移除像素后，它会将剩余的图像调整回输入大小。如果你不喜欢调整回原来的图像大小，实例化Crop时写为 Crop(…， keep_size=False)，其中keep_size表示“在输入和输出之间保持图像大小不变”。

在上面，我们使用Sequential来组合几种增强技术。在实践中，我们也可以将每种技术保存在一个列表中，并手动遍历该列表以单独应用每种技术。虽然Sequential简化了事情，但它并没有多大帮助。然而，它确实有一个我们还没有用到的方便的能力那就是随机增广。如果被激活，它会以随机的顺序应用扩展，极大地增加了可能扩展的空间，让我们不必自己去实现它。

在下一个例子中，我们将使用这种能力。为了更明显，我们增加了一些增强的强度，并显示更多的图像。还要注意，我们是如何通过循环将输入图像增强八次，而不是对整个批处理使用单个调用的增强。这是因为随机顺序是每批采样一次，而不是每个批中图像采样一次。为了在这里看到许多不同的顺序，我们因此增强了多次。

seq = iaa.Sequential([iaa.Affine(rotate=(-25, 25)),iaa.AdditiveGaussianNoise(scale=(30, 90)),iaa.Crop(percent=(0, 0.4))
], random_order=True)images_aug = [seq(image=image) for _ in range(8)]print("Augmented:")
ia.imshow(ia.draw_grid(images_aug, cols=4, rows=2))

仔细看上面的图片。有些是在旋转前被裁剪的，有些是旋转后裁剪的。因为其中几张照片的黑色像素添加了高斯噪声，而另一些没有添加高斯噪声。这些无噪声黑色像素是通过仿射旋转Affine填充新创建的像素。因此，没有噪声的黑色像素图像是在旋转前应用高斯噪声增强的。

六、增强不同尺寸的图片

上面已经提到，imgaug支持包含不同大小图像的批处理，但到目前为止，我们一直使用相同的图像。下面的示例显示了具有不同图像尺寸大小的情况。我们从维基百科加载三张图片，将它们作为单个批处理进行扩充，然后逐个显示每张图片(带有输入和输出形状)。这次我们还使用了一些不同的增强技术。

seq = iaa.Sequential([iaa.CropAndPad(percent=(-0.2, 0.2), pad_mode="edge"),  # crop and pad imagesiaa.AddToHueAndSaturation((-60, 60)),  # change their coloriaa.ElasticTransformation(alpha=90, sigma=9),  # water-like effectiaa.Cutout()  # replace one squared area within the image by a constant intensity value
], random_order=True)# load images with different sizes
images_different_sizes = [imageio.imread("https://upload.wikimedia.org/wikipedia/commons/e/ed/BRACHYLAGUS_IDAHOENSIS.jpg"),imageio.imread("https://upload.wikimedia.org/wikipedia/commons/c/c9/Southern_swamp_rabbit_baby.jpg"),imageio.imread("https://upload.wikimedia.org/wikipedia/commons/9/9f/Lower_Keys_marsh_rabbit.jpg")
]# augment them as one batch
images_aug = seq(images=images_different_sizes)# visualize the results
print("Image 0 (input shape: %s, output shape: %s)" % (images_different_sizes[0].shape, images_aug[0].shape))
ia.imshow(np.hstack([images_different_sizes[0], images_aug[0]]))print("Image 1 (input shape: %s, output shape: %s)" % (images_different_sizes[1].shape, images_aug[1].shape))
ia.imshow(np.hstack([images_different_sizes[1], images_aug[1]]))print("Image 2 (input shape: %s, output shape: %s)" % (images_different_sizes[2].shape, images_aug[2].shape))
ia.imshow(np.hstack([images_different_sizes[2], images_aug[2]]))

Image 0 (input shape: (257, 286, 3), output shape: (257, 286, 3))

Image 1 (input shape: (536, 800, 3), output shape: (536, 800, 3))

Image 2 (input shape: (289, 520, 3), output shape: (289, 520, 3))

【图像增广库imgaug】官方文档翻译（一）：加载并增强图片相关推荐

【图像增广库imgaug】官方文档翻译（二）：在多个 CPU 内核上进行扩充
文章目录一.示例:augment_batches(..., background=True) 二.包含非图像数据的Batches 三.使用池四.用生成器使用池五.限速池可降低最大内存要求总结 ...
y空间兑换代码_进行图像增广的15+种功能总结和Python代码实现
python代码可以自己扩充图像数据集. 无论我们喜欢Keras还是Pytorch,我们都可以使用丰富的资料库来有效地增广我们的图像. 但是如果遇到特殊情况: 我们的数据集结构复杂(例如3个输入图 ...
进行图像增广的15+种功能总结和Python代码实现
python代码可以自己扩充图像数据集. 无论我们喜欢Keras还是Pytorch,我们都可以使用丰富的资料库来有效地增广我们的图像. 但是如果遇到特殊情况: 我们的数据集结构复杂(例如3个输入图 ...
街景字符识别2-图像读取及图像增广
1 目的 PIL读取数据 PIL+Torch生成小批量图像数据样本理解Baseline中torchvision.transforms进行图像增广的基本使用方法. 2 图像读取 Python中完成数据 ...
动手学深度学习（二十六）——图像增广(一生二，二生三，三生万物？)
文章目录一.图像增广二.常用的图像增广方法 1. 翻转和裁减 2. 颜色改变 3. 叠加使用多种数据增广方法三.使用图像增广进行训练四.总结(干活分享) 一.图像增广定义&解释: 通 ...
图像处理：手写实现图像增广算法（旋转、亮度调整、裁剪与拼接）
目录前言算法理论基础实现 a.旋转 b.亮度调整 c.裁剪及拼接随机调整参数 d.随机翻转算法 e.随机颜色明暗调整算法 f.随机裁剪算法实验分析本章小结参考文章前言图像增广算法在计 ...
深度学习——图像增广
图像增广图像增广是对训练图像做一系列随机改变,来产生相似但又不同的训练样本,从而扩大训练数据集的规模.我们深知大型数据集是成功应用深度神经网络的先决条件.应用图像增广能够随机改变训练样本可以减小模型 ...
计算机视觉：数据预处理-图像增广方法
计算机视觉:数据预处理-图像增广方法数据预处理随机改变亮暗.对比度和颜色等随机填充随机裁剪随机缩放随机翻转随机打乱真实框排列顺序图像增广方法汇总批量数据读取与加速数据预处理在计算 ...
[pytorch、学习] - 9.1 图像增广
参考 9.1 图像增广在5.6节(深度卷积神经网络)里我们提过,大规模数据集是成功应用神经网络的前提.图像增广(image augmentation)技术通过对训练图像做一系列随机改变,来产生相似但 ...

【图像增广库imgaug】官方文档翻译（一）：加载并增强图片

文章目录

前言