数据增强——基本方法

基本数据增强主要包含如下方式：
1.旋转：可通过在原图上先放大图像，然后剪切图像得到。
2.平移：先放大图像，然后水平或垂直偏移位置剪切
3.缩放：缩放图像
4.随机遮挡：对图像进行小区域遮挡
5.水平翻转：以过图像中心的竖直轴为对称轴，将左、右两边像素交换
6.颜色色差（饱和度、亮度、对比度、锐度等）
7.噪声扰动: 对图像的每个像素RGB进行随机扰动, 常用的噪声模式是椒盐噪声和高斯噪声;

Tensorflow代码实现：
参数可根据需求进行相应调整。

# -*- coding: utf-8 -*-
"""
# 数据增强实现
"""
import tensorflow as tf
import cv2
import numpy as np
from scipy import misc
import randomdef random_rotate_image(image):interb = ['nearest','bilinear','cubic','bicubic']angle = np.random.uniform(low=-10.0, high=10.0)key = random.randint(0,3)return misc.imrotate(image, angle, interb[key])def random_occlusion(image):b_ratio = 1./10 #遮挡比例M1 = np.ones((320,250))b_H = random.randint(10,320*(1-b_ratio)-10)  b_W = random.randint(10,250*(1-b_ratio)-10)M1[b_H:int(b_H+320*b_ratio),b_W:int(b_W+250*b_ratio)] = 0M1 = np.expand_dims(M1, 2)image = image*M1image = image.astype(np.uint8)return imagedef data_augumrntation(image):image = tf.py_func(random_occlusion, [image], tf.uint8) #随机遮挡image = tf.py_func(random_rotate_image, [image], tf.uint8) #旋转ratio = [0.9,1.1] #缩放比例new_H = random.randint(320*ratio[0], 320*ratio[1])new_W = random.randint(250*ratio[0], 250*ratio[1])print(new_H,new_W)image.set_shape((320, 250,3))image = tf.image.resize_images(image,[new_H, new_W])image = tf.cast(image,tf.uint8)image = tf.image.resize_image_with_crop_or_pad(image, 320, 250 )#缩放image = tf.random_crop(image, [299, 235, 3]) #随机裁剪image = tf.image.random_flip_left_right(image)#镜像N_key = random.randint(0,10)if N_key == 8:image = tf.image.per_image_standardization(image)#标准化image = tf.cast(image, tf.float32)image = tf.minimum(255.0, tf.maximum(0.0,tf.image.random_brightness(image,25.0)))#光照image = tf.minimum(255.0, tf.maximum(0.0,tf.image.random_contrast(image,0.8,1.2)))#对比度noise = tf.random_normal((299, 235, 3), mean=0.0, stddev=1.0, dtype=tf.float32)image = tf.minimum(255.0, tf.maximum(0.0,image+noise))#随机噪声    image = tf.subtract(image,127.5)image = tf.multiply(image,0.0078125)    return imageif __name__ == '__main__':pic = r"bb.jpg"file_contents = tf.read_file(pic)image = tf.image.decode_jpeg(file_contents, dct_method="INTEGER_ACCURATE")R,G,B=tf.unstack(image, num=3, axis=2)image=tf.stack([B,G,R], axis=2) #通道转换image = data_augumrntation(image)#image = tf.cast(image,tf.uint8)sess = tf.Session()img = sess.run(image)cv2.imshow('img',img)cv2.waitKey()

原图：

增强后图像（图像做了归一化操作）：

注：博众家之所长，集群英之荟萃。

数据增强——基本方法相关推荐

Python PIL库处理图片常用操作，图像识别数据增强的方法
在博客AlexNet原理及tensorflow实现训练神经网络的时候,做了数据增强,对图片的处理采用的是PIL(Python Image Library), PIL是Python常用的图像处理库. 下 ...
目标检测：python实现多种图像数据增强的方法（光照，对比度，遮挡，模糊）
图像数据增强的内容(可根据需要自定义选择): 1.直方图均衡化 2.clahe自适应对比度直方图均衡化 3.白平衡 4.亮度增强 5.亮度,饱和度,对比度增强 6.去除图像上的高光部分 7.自适应亮度 ...
NLP中数据增强的方法
为什么使用数据增强当在一些任务中需要大量数据,但是实际上数据量不足时,可以考虑使用数据增强的方式增加数据量数据增强的方法数据增强主要有两种方法: 法一:简单数据增强(Easy Data Augm ...
【Pytorch】nvidia-dali——一种加速数据增强的方法
目的问题: 当我们使用pytorch训练小模型或者使用较大batch size的时候会发现GPU利用率很低,训练周期比较长.其原因之一是在dataloader加载数据之后在cpu上做一些数据增强的操 ...
图片数据增强的方法——收藏
使用cv2,numpy,PIL模块实现图像数据的数据增强. 计算机视觉中的图像增强,是人为的为视觉不变性(语义不变)引入了先验知识.数据增强也基本上成了提高模型性能的最简单.直接的方法了. 一.原图片 ...
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 ...
各种 AI 数据增强方法，都在这儿了
来源 | 算法进阶责编 | 寇雪芹头图 | 下载于视觉中国数据.算法.算力是人工智能发展的三要素.数据决定了Ai模型学习的上限,数据规模越大.质量越高,模型就能够拥有更好的泛化能力. 然而在实际 ...
只讲关键点之兼容100+种关键点检测数据增强方法
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者丨DefTruth 编辑丨极市平台本文介绍了已有的几种关键点检测数据增强的方法,将其的优缺点进行 ...
AI基础：数据增强方法综述
导语在深度学习时代,数据的规模越大.质量越高,模型就能够拥有更好的泛化能力,数据直接决定了模型学习的上限.然而在实际工程中,采集的数据很难覆盖全部的场景,比如图像的光照条件,同一场景拍摄的图片可能由 ...

数据增强——基本方法

注：博众家之所长，集群英之荟萃。

数据增强——基本方法相关推荐

最新文章

热门文章