图片数据不够快来试试使用imgaug增强数据

本文主要是介绍图片数据不够快来试试使用imgaug增强数据，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

导读

我们经常会遇到训练模型时数据不够的情况，而且很多时候无法再收集到更多的数据，只能通过做一些数据增强或者其它的方法来合成一些数据。常用的数据增强方式有裁剪、旋转、缩放、亮度对比度色度饱和度变换，这篇文章我们来介绍一个更方便更多方式的数据增强，我们将会通过imgaug库来实现。

imgaug

imgaug是一个python的图像增强库，它能够通过输入图片产生新图片的集合，能够通过不同的策略来改变图片以达到数据增强的目的。
它能够应用于图像分类、图像分割、关键点定位、目标检测等任务的数据增强
github地址：https://github.com/aleju/imgaug
在这里插入图片描述

特点

多种数据增强技术
仿射变换、透视变换、对比度改变、高斯噪声添加、色度饱和度变化、随机裁剪、模糊处理
只处理部分图片
随机顺序组合策略进行数据增强
支持多种任务处理
Images、Heatmaps、Segmentation Maps、mask、keypoints、landmarks、Bounding Boxes、Polygons、Line Strings
支持多种数据分布
根据不同的数据分布来产生随机参数，支持均匀分布、高斯分布、beta分布
内置多种辅助函数
绘制heatmaps、segmentation maps、keypoints、bounding boxes等
缩放segmentation maps、平均池化、最大池化等
多核CPU数据增强

安装

环境要求
python2.7或python3.4+
使用conda安装和卸载

#安装
conda config --add channels conda-forge
conda install imgaug
#卸载
conda remove imgaug

使用pip安装和卸载

#安装
pip install imgaug
#使用git上最新版本进行安装
pip install git+https://github.com/aleju/imgaug.git
#卸载
pip uninstall imgaug

使用示例

简单的数据增强

import numpy as np
import imgaug as ia
import imgaug.augmenters as iaa
import cv2def simple_example():seq = iaa.Sequential([#从图片边随机裁剪50~100个像素,裁剪后图片的尺寸和之前不一致#通过设置keep_size为True可以保证裁剪后的图片和之前的一致iaa.Crop(px=(50,100),keep_size=False),#50%的概率水平翻转iaa.Fliplr(0.5),#50%的概率垂直翻转iaa.Flipud(0.5),#高斯模糊,使用高斯核的sigma取值范围在(0,3)之间#sigma的随机取值服从均匀分布iaa.GaussianBlur(sigma=(0,3.0))])#可以内置的quokka图片,设置加载图片的大小# example_img = ia.quokka(size=(224,224))#这里我们使用自己的图片example_img = cv2.imread("example.jpg")#对图片的通道进行转换,由BGR转为RGB#imgaug处理的图片数据是RGB通道example_img = example_img[:,:,::-1]#数据增强,针对单张图片aug_example_img = seq.augment_image(image=example_img)print(example_img.shape,aug_example_img.shape)#(700, 700, 3) (544, 523, 3)#显示图片ia.imshow(aug_example_img)simple_example()

在这里插入图片描述

结合多种数据增强策略

import numpy as np
import imgaug as ia
import imgaug.augmenters as iaa
import cv2#设置随机数种子
ia.seed(8)def example():#读取图片example_img = cv2.imread("example.jpg")#通道转换example_img = example_img[:, :, ::-1]#对图片进行缩放处理example_img = cv2.resize(example_img,(224,224))seq = iaa.Sequential([iaa.Fliplr(0.5),#随机裁剪图片边长比例的0~0.1iaa.Crop(percent=(0,0.1)),#Sometimes是指指针对50%的图片做处理iaa.Sometimes(0.5,#高斯模糊iaa.GaussianBlur(sigma=(0,0.5))),#增强或减弱图片的对比度iaa.LinearContrast((0.75,1.5)),#添加高斯噪声#对于50%的图片,这个噪采样对于每个像素点指整张图片采用同一个值#剩下的50%的图片，对于通道进行采样(一张图片会有多个值)#改变像素点的颜色(不仅仅是亮度)iaa.AdditiveGaussianNoise(loc=0,scale=(0.0,0.05*255),per_channel=0.5),#让一些图片变的更亮,一些图片变得更暗#对20%的图片,针对通道进行处理#剩下的图片,针对图片进行处理iaa.Multiply((0.8,1.2),per_channel=0.2),#仿射变换iaa.Affine(#缩放变换scale={"x":(0.8,1.2),"y":(0.8,1.2)},#平移变换translate_percent={"x":(-0.2,0.2),"y":(-0.2,0.2)},#旋转rotate=(-25,25),#剪切shear=(-8,8))#使用随机组合上面的数据增强来处理图片],random_order=True)#生成一个图片列表example_images = np.array([example_img for _ in range(32)],dtype=np.uint8)aug_imgs = seq(images = example_images)#显示图片ia.show_grid(aug_imgs,rows=4,cols=8)example()

在这里插入图片描述

bounding box的数据增强

from imgaug.augmentables.bbs import BoundingBox,BoundingBoxesOnImagedef bounding_box_example():#读取图片img = cv2.imread("example.jpg")#变换通道img = img[:, :, ::-1]bbs = BoundingBoxesOnImage([#目标在图片上的位置BoundingBox(x1=340,y1=236,x2=598,y2=481)],shape=img.shape)#数据增强seq = iaa.Sequential([iaa.AdditiveGaussianNoise(scale=0.05*255),iaa.Affine(translate_px={"x":(10,100)})])#变换后的图片和boximg_aug,bbs_aug = seq(image=img,bounding_boxes=bbs)#绘制变换前box在图片上的位置img_before = bbs.draw_on_image(img,size=2)#绘制图片变换后box在图片上的位置img_after = bbs_aug.draw_on_image(img_aug,size=2,color=[255,0,0])ia.show_grid([img_before,img_after],rows=1,cols=2)bounding_box_example()

在这里插入图片描述
通过上面两张图对比，可以发现变换前后，box在图片上的位置并没有发生变化。

数据增强参数的数据分布设置

def param_distribution():img = cv2.imread("example.jpg")img = img[:,:,::-1]#高斯模糊数据增强,参数服从均匀分布aug_blurer = iaa.GaussianBlur(10 + iap.Uniform(0.1,3.0))img_aug = aug_blurer(image=img)#Clip裁剪参数的范围,使其在0.1到3.0之间aug_blurer = iaa.GaussianBlur(iap.Clip(iap.Normal(1.0,0.1),0.1,3.0))img_aug = aug_blurer(image=img)

针对部分通道进行数据增强处理

import numpy as np
import imgaug.augmenters as iaa# fake RGB images
images = np.random.randint(0, 255, (16, 128, 128, 3), dtype=np.uint8)# add a random value from the range (-30, 30) to the first two channels of
# input images (e.g. to the R and G channels)
aug = iaa.WithChannels(channels=[0, 1],children=iaa.Add((-30, 30))
)images_aug = aug(images=images)