一.大杀气之keras ImageDataGenerator

二.详解单幅图像增强

三.最后的拆分分别保存train_img和train_label

四.图像增强之批处理

五、最后，补充单文件夹图像的数据增强

今天就来一招搞定数据增强(data_Augmentation)，让你在机器学习/深度学习图像处理的路上，从此不再为数据不够而发愁。且来看图片从250张>>>>任意张的华丽增强，每一张都与众不同。

开始之前呢，我们先把这件大事给细分下，一步一步的来：

首先，图像读取，需要对文件夹操作;

然后，增强图像（重点，重点，重点）；

最后，保存图像。

来看下此次任务中，待增强的图像和标签，主要是为了做图像分割做图像准备。这个图像懂的应该能看出来，这是一个婴儿头围的医学图像，现实场景意义很强。上图（以3张图为例）：

train_img

train_label

成双成对，这样在后续的文件读取中会比较的方便（大神可以自己改改，练练动手能力）

那动手吧！！！

一.大杀气之keras ImageDataGenerator

from keras.preprocessing.image import ImageDataGenerator

ImageDataGenerator()是keras.preprocessing.image模块中的图片生成器，同时也可以在batch中对数据进行增强，扩充数据集大小，增强模型的泛化能力。比如进行旋转，变形，归一化等，它所能实现的功能且看下面的详细部分吧。

keras.preprocessing.image.ImageDataGenerator(featurewise_center=False,  samplewise_center=False, featurewise_std_normalization=False, samplewise_std_normalization=False, zca_whitening=False, zca_epsilon=1e-06, rotation_range=0, #整数。随机旋转的度数范围。width_shift_range=0.0, #浮点数、一维数组或整数height_shift_range=0.0, #浮点数。剪切强度（以弧度逆时针方向剪切角度）。brightness_range=None, shear_range=0.0, zoom_range=0.0, #浮点数 或 [lower, upper]。随机缩放范围channel_shift_range=0.0, #浮点数。随机通道转换的范围。fill_mode='nearest', # {"constant", "nearest", "reflect" or "wrap"} 之一。默认为 'nearest'。输入边界以外的点根据给定的模式填充：cval=0.0, horizontal_flip=False, vertical_flip=False, rescale=None, preprocessing_function=None, data_format=None, validation_split=0.0, dtype=None)

这里就以单张图片为例，详述下这个图像增强大杀器的具体用法，分别以旋转（rotation_range），长宽上平移（width_shift_range，height_shift_range）

输入图像：

train_img

train_label

先来看下两者合并后的图像：

merge

到这里，我们进行增强变换，演示下这里增强部分是咋用的，且看：

（温馨提示）
滑慢点，有GIF图

（1）旋转（rotation_range=1.2）

otation=1.2

（2）宽度变换（width_shift_range=0.05）

width_shift_range=0.05
（3）高度变换（height_shift_range=0.05）

eight_shift_range=0.05

这里才只是演示了三个就那么的强大，详细，这要能增强多少图片啊，想想都可怕，想都不敢想啊！！！

增强汇总

这里是合并部分，单幅增强的大图效果详情看这里：

merge改变通道排布方式

这里，且看单幅图像的增强代码（建议去下载仔细看，往后看，有方式）：

__author__ = "lingjun"
# E-mail: 1763469890@qq.com
# 微信公众号：小白CVimport os
from keras.preprocessing.image import ImageDataGenerator,load_img,img_to_array,array_to_imgclass Augmentation(object):def __init__(self,img_type="png"):self.datagen=ImageDataGenerator(#rotation_range=1.2,#width_shift_range=0.05,height_shift_range=0.05,# shear_range=0.05,# zoom_range=0.05,# horizontal_flip=True,fill_mode='nearest')def augmentation(self):# 读入3通道的train和label, 分别转换成矩阵, 然后将label的第一个通道放在train的第2个通处, 做数据增强print("运行 Augmentation")# Start augmentation.....img_t = load_img("../one/img/0.png")  # 读入trainimg_l = load_img("../one/label/0.png")  # 读入labelx_t = img_to_array(img_t)  # 转换成矩阵x_l = img_to_array(img_l)x_t[:, :, 2] = x_l[:, :, 0]  # 把label当做train的第三个通道#x_t = x_t[..., [2,0,1]]#image-102,120,210img_tmp = array_to_img(x_t)img_tmp.save("../one/merge/0.png")  # 保存合并后的图像img = x_timg = img.reshape((1,) + img.shape)  # 改变shape(1, 512, 512, 3)savedir = "../one/aug_merge"  # 存储合并增强后的图像if not os.path.lexists(savedir):os.mkdir(savedir)print("running %d doAugmenttaion" % 0)self.do_augmentate(img, savedir, str(0))  # 数据增强def do_augmentate(self, img, save_to_dir, save_prefix, batch_size=1, save_format='png', imgnum=30):# augmentate one imagedatagen = self.datageni = 0for _ in datagen.flow(img,batch_size=batch_size,save_to_dir=save_to_dir,save_prefix=save_prefix,save_format=save_format):i += 1if i > imgnum:break
if __name__=="__main__":aug=Augmentation()aug.augmentation()

这里不做过多的解释，打个广告，欢迎关注微信公众号：小白算法。对代码中的详细内容，我们且看第二部分

二.详解单幅图像增强

这里先说下对图像和标签一起增强的步骤，有人该问为什么还要标签了。这里针对的问题是图像分割，pix2pix的任务，即输入时一般图像，输出是目标分割后图像，在上面就是train_img和train_label的一一对应关系，这里开始分解步骤来说增强：

1.train_img+train_label=merge，也就是图像+椭圆形的那个；
2.对merge图像进行增强；
3.将merge图像按通道拆分，1的逆过程。

前面只涉及步骤1和2，故先对这两块做详述，如下：
着重讲下Augmentation类中augmentation函数部分和对单幅图像增强部分。

1.读取train_img，train_label；

 # load_image
img_t = load_img("../one/img/0.png")
img_l = load_img("../one/label/0.png")

2.因为要讲上述img_t和img_l进行合并，采用矩阵形式进行操作，这里将读取到的图像转换为矩阵形式；

 # img_to_array
x_t = img_to_array(img_t) x_l = img_to_array(img_l)

3.train_img+train_label=merge.把label当做train的第三个通道

后面注释部分，是对合并后的通道进行任意组合的形式，会出现不同的效果，如前文中三个特写图（具体自己可尝试）

# 把label当做train的第三个通道
x_t[:, :, 2] = x_l[:, :, 0]
#x_t = x_t[..., [2,0,1]]#image-102,120,210

4.为了保存merge后图像，此时该从array_to_image了，然后保存图像文件;

img_tmp = array_to_img(x_t)
img_tmp.save("../one/merge/0.png")  # 保存合并后的图像

5.此时执行对merge图像的增强操作；

开始前，既然我们要def do_augmentate()，我们先想想对一幅图像的增强，需要些什么：

image图像文件；

save_to_dir保存增强后的文件夹地址；

批增强的数量。

至于别的，先看这里

flow(self, X, y, batch_size=32, shuffle=True, seed=None, save_to_dir=None, save_prefix='', save_format='png')
'''
x：样本数据，秩应为4，在黑白图像的情况下channel轴的值为1，在彩色图像情况下值为3
y：标签
batch_size：整数，默认32
shuffle：布尔值，是否随机打乱数据，默认为True
save_to_dir：None或字符串，该参数能让你将提升后的图片保存起来，用以可视化
save_prefix：字符串，保存提升后图片时使用的前缀, 仅当设置了save_to_dir时生效
save_format："png"或"jpeg"之一，指定保存图片的数据格式,默认"jpeg"
yields:形如(x,y)的tuple,x是代表图像数据的numpy数组.y是代表标签的numpy数组.该迭代器无限循环.
seed: 整数,随机数种子
'''

flow：接收numpy数组和标签为参数,生成经过数据提升或标准化后的batch数据,并在一个无限循环中不断的返回batch数据

6.由于flow的输入X需要一个秩为4的数组，所以需要对他变形，加上img.shape=3

# 改变shape(1, 512, 512, 3)
img = img.reshape((1,) + img.shape)

好了，这里应该是对代码部分描述的已经够清楚了（哪里还有不理解的，欢迎留言评论，大家一起进步哦）

三.最后的拆分分别保存train_img和train_label

话不多说，先看下拆分代码部分，还是先说步骤：

1.读取merge文件夹内图片；
2.按照之前组合的形式进行拆分为img_train和img_label，同时保存在两个文件夹内，一一对应。

    def split_merge(self):# 读入合并增强之后的数据(aug_merge), 对其进行分离, 分别保存至 aug_merge_img, aug_merge_labelprint("running split_Merge_image")# split merged image apartpath_merge = "../one/aug_merge"  # 合并增强之后的图像path_train = "../one/aug_merge_img"  # 增强之后分离出来的trainpath_label = "../one/aug_merge_label"  # 增强之后分离出来的labelif not os.path.lexists(path_train):os.mkdir(path_train)if not os.path.lexists(path_label):os.mkdir(path_label)train_imgs = glob.glob(path_merge + "/*." + "png")  # 所有训练图像savedir = path_train   # 保存训练集的路径if not os.path.lexists(savedir):os.mkdir(savedir)savedir = path_label  # 保存label的路径if not os.path.lexists(savedir):os.mkdir(savedir)for imgname in train_imgs:  # rindex("/") 是返回'/'在字符串中最后一次出现的索引midname = imgname[imgname.rindex("/") + 1:imgname.rindex("." + "png")]  # 获得文件名(不包含后缀)#print("midname:",midname)img = cv2.imread(imgname)  # 读入训练图像img_train = img[:, :, 2]  # 训练集是第2个通道, label是第0个通道img_label = img[:, :, 0]newname=midname.split('\\')[1]#print("new:",new)cv2.imwrite(path_train + "/"  + newname + "_train" + "." + "png", img_train)  # 保存训练图像和labelprint(path_train + "/"  + "/" + newname + "_train" + "." + "png")cv2.imwrite(path_label + "/" + newname + "_label" + "." + "png", img_label)print(path_label + "/"  + "/" + newname + "_label" + "." + "png")

代码部分不做详述了，和之前组合的形式差不多，着重说下这里，是自己不懂的部分：

# 获得文件名(不包含后缀)
# rindex("/") 是返回'/'在字符串中最后一次出现的索引
midname = imgname[imgname.rindex("/") + 1:imgname.rindex("." + "png")]

Python rindex() 返回子字符串 str 在字符串中最后出现的位置，如果没有匹配的字符串会报异常，你可以指定可选参数[beg:end]设置查找的区间。

举个栗子：

import glob
path_merge = "../one/aug_merge"  # 合并增强之后的图像print("imgname:",path_merge)
print(path_merge.rindex("/"))

打印的结果

现在，把上文中的一段专门来看下打印结果

import glob
path_merge = "../one/aug_merge"  # 合并增强之后的图像
train_imgs = glob.glob(path_merge + "/*." + "png")  # 所有训练图像
for imgname in train_imgs:  # rindex("/") 是返回'/'在字符串中最后一次出现的索引print("imgname:",imgname)print("imgname.rindex:",imgname.rindex("." + "png"))print(imgname.rindex("/"))midname = imgname[imgname.rindex("/") + 1:imgname.rindex("." + "png")]  # 获得文件名(不包含后缀)print("midname===",midname)print("*"*20)

截取图像地址

最后，看下拆分后的图片保存的结果吧！！！

aug_train_img

aug_train_label

这里特意说下，图像的数量是自己设置的，在这里，imgnum数量，决定了对单幅图像增强的数量。（如果你需要对其中增强的多一些，就把这块给修改下）

 def do_augmentate(self, img, save_to_dir, save_prefix, batch_size=1, save_format='png', imgnum=30):

四.图像增强之批处理

这块的内容，不想做太多的解释了，只是由单幅图像的读取，改为对文件夹内所有图片的读取。

但是，会把结果图片这里放一下，具体的代码部分，欢迎去Github详阅，地址：https://github.com/QianLingjun/Keras_image_aug，或者关注微信公众号：小白算法，回复关键字：Keras_image_aug。欢迎你的光临哦。

批处理部分train_img，2是文件名

批处理部分train_label，14是文件名

最后，欢迎关注“小白CV”公众号，长按关注哦。在文章的最后，再重复一次。欢迎去Github详阅，地址：https://github.com/QianLingjun/Keras_image_aug，或者关注微信公众号：小白CV，回复关键字：Keras_image_aug。想获得更多福利，关注公众号后续更新。

五、最后，补充单文件夹图像的数据增强（法一）

__author__ = "lingjun"
# E-mail: 1763469890@qq.com
# 微信公众号：小白CVfrom keras.preprocessing.image import ImageDataGeneratorpath = 'D:/image'  # 类别子文件夹的上一级
dst_path ='D:/image_gen'
# 　图片生成器
datagen = ImageDataGenerator(rotation_range=5,width_shift_range=0.02,height_shift_range=0.02,shear_range=0.02,horizontal_flip=True,vertical_flip=True
)gen = datagen.flow_from_directory(path,target_size=(512, 512),batch_size=30,save_to_dir=dst_path,  # 生成后的图像保存路径save_prefix='xx',save_format='jpg')for i in range(15):gen.next()

注意：待增强的图像放在image文件夹下的子文件夹下，例如，待增强图片在文件夹flower内，则此事flower的文件夹是image的子文件夹，这里多进行尝试就好。

原图

增强后的图像

同时呢，自己需要哪些变换，可以自行对ImageDataGenerator内容就行查询修改，这里不赘述；

六、基于Augmentor的数据增强

简单粗暴，原图是这样的：

简单的几句代码，就能够实现许许多多的增强结果

import Augmentor
# 待增强图像放在test文件夹下即可
# 会自动的创建output文件，用于保存增强后的图像
p=Augmentor.Pipeline("./test")# 增强的方式，逆时针随机旋转90度（随机概率可自行设定）
p.rotate90(probability=0.5)
p.skew_corner(probability=0.7,magnitude=1)# 增强的个数
p.sample(20)

来看下增强后的结果，代码中的注释部分很详细，主要是做了这几件事情：

导入库，确定待增强图像所在的位置
确定增强的方式
增强的个数

更加多样的增强方式和数量可以自行增加。（美女都被拉变形了，罪恶啊罪恶）

之后也会持续的关注一些图像增强的第三方好库，也会都更新到这里，持续关注，收藏哦

小白CV：公众号旨在专注CV（计算机视觉）、AI（人工智能）领域相关技术，文章内容主要围绕C++、Python编程技术，机器学习（ML）、深度学习（DL）、OpenCV等图像处理技术，深度发掘技术要点，记录学习工作中常用的操作，做你学习工作的问题小助手。只关注技术，做CV领域专业的知识分享平台。
————————————————

深度学习数据增强（data_augmentation）:Keras ImageDataGenerator相关推荐

深度学习--数据增强
在深度学习中,为了避免出现过拟合(Overfitting),通常我们需要输入充足的数据量．本页面主要记录下常用的数据增强(Data Augmentation)变换方法．不同的任务背景下, 我们可以通 ...
深度学习数据增强——扩充数据集
在深度学习过程中经常会因为数据量少而发生过拟合现象,或者模型的泛化能力比较低.基于此,本文讲一下图像的数据增强,就是通过对图像简答你的形变,用来应对因拍照的角度不同而使得图谱变形.tensorflow ...
二、深度学习数据增强方法汇总
深度学习模型训练数据增强方法汇总一.随机裁剪二.RGB-->BGR通道互换三.仿射变换(缩放) 三.随机旋转四.对比度调整五.随机抠图六.bound box 中心点随机抠图七.随机 ...
深度学习数据增强数据扩增方法
随机裁剪对图片随机0.6~1.0比率大小的区域进行裁剪. 然后resize到固定大小. torch.API torchvision.transforms.RandomCrop(size,paddin ...
深度学习数据增强方法，利用仿射变换实现图像进行各种操作如平移、缩放、旋转、翻转
导读在深度学习的数据增强中,我们经常需要对图像进行各种增强操作如平移.缩放.旋转.翻转等,这些其实都是图像的仿射变换.通过本篇文章,你能够知道它们的实现原理以及如何应用它们.本文讲述如何通过仿射变换 ...
深度学习-数据增强与扩充
数据增强可以说是数据驱动下的深度学习必经之路,掌握数据,相当于掌握当下主流方向的自动驾驶的命脉,是人工智能不可或缺的资源.本文将介绍最新的利用大模型扩充数据的方式! 先看下变色效果: 左褐色背景图为 ...
【深度学习数据增强处理】imgaug Augment Polygons 对标注图片和polygons的数据增强
对于本地化进行图像的增强,大家都是非常好操作的.但是,对于标注信息一起增强,还是稍微有一些难度的,麻烦很多. 我是遇到一个数据集非常少的任务,只有40张图.就直接标记了去训练,发现几乎不拟合,当然这里 ...
常用深度学习框——Caffe/TensorFlow / Keras/ PyTorch/MXNet
常用深度学习框--Caffe/TensorFlow / Keras/ PyTorch/MXNet 一．概述近几年来,深度学习的研究和应用的热潮持续高涨,各种开源深度学习框架层出不穷,包括Tensor ...
2_初学者快速掌握主流深度学习框架Tensorflow、Keras、Pytorch学习代码（20181211）
初学者快速掌握主流深度学习框架Tensorflow.Keras.Pytorch学习代码一.TensorFlow 1.资源地址: 2.资源介绍: 3.配置环境: 4.资源目录: 二.Keras 1.资 ...
深度学习数据更换背景_开始学习数据科学的最佳方法是了解其背景
深度学习数据更换背景数据科学教育 (DATA SCIENCE EDUCATION) 目录 (Table of Contents) The Importance of Context Knowledg ...

深度学习数据增强（data_augmentation）:Keras ImageDataGenerator

一.大杀气之keras ImageDataGenerator

二.详解单幅图像增强

三.最后的拆分分别保存train_img和train_label

四.图像增强之批处理

五、最后，补充单文件夹图像的数据增强（法一）

六、基于Augmentor的数据增强

深度学习数据增强（data_augmentation）:Keras ImageDataGenerator相关推荐

最新文章

热门文章