imgaug库指南（11）：从入门到精通的【图像增强】之旅

2024-01-10 11:44
文章标签 入门 精通 指南 之旅 图像增强 imgaug

本文主要是介绍imgaug库指南（11）：从入门到精通的【图像增强】之旅，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！

引言

在深度学习和计算机视觉的世界里，数据是模型训练的基石，其质量与数量直接影响着模型的性能。然而，获取大量高质量的标注数据往往需要耗费大量的时间和资源。正因如此，数据增强技术应运而生，成为了解决这一问题的关键所在。而imgaug，作为一个功能强大的图像增强库，为我们提供了简便且高效的方法来扩充数据集。本系列博客将带您深入了解如何运用imgaug进行图像增强，助您在深度学习的道路上更进一步。我们将从基础概念讲起，逐步引导您掌握各种变换方法，以及如何根据实际需求定制变换序列。让我们一起深入了解这个强大的工具，探索更多可能性，共同推动深度学习的发展。

前期回顾

链接主要内容
imgaug库指南（一）：从入门到精通的【图像增强】之旅介绍了imgaug库的主要功能、安装方式、提供一个简单的数据增强示例(针对一副图像)
imgaug库指南（二）：从入门到精通的【图像增强】之旅介绍了如何利用imgaug库对批量图像进行数据增强并可视化
imgaug库指南（三）：从入门到精通的【图像增强】之旅详细介绍了imgaug库的数据增强方法 —— 高斯模糊
imgaug库指南（四）：从入门到精通的【图像增强】之旅详细介绍了imgaug库的数据增强方法 —— 均值模糊
imgaug库指南（五）：从入门到精通的【图像增强】之旅详细介绍了imgaug库的数据增强方法 —— 中值模糊/滤波，并介绍了如何利用【中值滤波】过滤椒盐噪声
imgaug库指南（六）：从入门到精通的【图像增强】之旅详细介绍了imgaug库的数据增强方法 —— 双边模糊/滤波
imgaug库指南（七）：从入门到精通的【图像增强】之旅详细介绍了imgaug库的数据增强方法 —— 运动模糊
imgaug库指南（八）：从入门到精通的【图像增强】之旅详细介绍了imgaug库的数据增强方法 —— 均值迁移模糊
imgaug库指南（九）：从入门到精通的【图像增强】之旅详细介绍了imgaug库的数据增强方法 —— 加性噪声(Add方法)
imgaug库指南（十）：从入门到精通的【图像增强】之旅详细介绍了imgaug库的数据增强方法 —— 加性噪声(AddElementwise方法)

在本博客中，我们将向您详细介绍imgaug库的数据增强方法 —— 加性高斯噪声(AdditiveGaussianNoise方法)。

加性高斯噪声(AdditiveGaussianNoise方法)

功能介绍

AdditiveGaussianNoise是imgaug库中的一个方法，用于向图像添加加性高斯噪声。这种噪声模拟了真实世界中的随机波动，可以用于增强图像的随机性和自然度。

语法

import imgaug.augmenters as iaa
aug = iaa.AdditiveGaussianNoise(loc=0, scale=(0, 15), per_channel=False)
  • loc: 产生噪声的正态分布的均值。
    • 若loc为整数，则噪声的均值即为value；
    • 若loc为元组(a, b)，则均值为从区间[a, b]中采样的随机数；
    • 若loc为列表，则均值为从列表中随机采样的数；
  • scale: 产生噪声的正态分布的标准差。
    • 若scale为整数，则噪声的标准差即为scale；
    • 若scale为元组(a, b)，则噪声的标准差为从区间[a, b]中采样的随机数；
    • 若scale为列表，则噪声的标准差为从列表中随机采样的数；
  • per_channel:
    • 若per_channel为True，则为每幅图像的每个像素点对应的通道上加上随机整数 ==> RGB图像指定像素位置上的三个通道分别对应三个随机整数，且每个像素点都对应不同的三个随机整数；
    • 若per_channel为False，则为每幅图像的每个像素点对应的通道上加上随机采样的相同整数 ==> RGB图像指定像素位置上的三个通道都是同一个随机整数，但每个像素点都对应不同的随机整数；
    • 若per_channel为区间[0,1]的浮点数，假设per_channel=0.6，那么对于60%的图像，per_channel为True；对于剩余的40%的图像，per_channel为False；

示例代码

  1. 使用不同的loc
import cv2
import imgaug.augmenters as iaa
import matplotlib.pyplot as plt# 读取图像
img_path = r"D:\python_project\lena.png"
img = cv2.imread(img_path)
image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)# 创建数据增强器
aug1 = iaa.AdditiveGaussianNoise(loc=0, scale=30, per_channel=False)
aug2 = iaa.AdditiveGaussianNoise(loc=60, scale=30, per_channel=False)
aug3 = iaa.AdditiveGaussianNoise(loc=120, scale=30, per_channel=False)# 对图像进行数据增强
blurred_image1 = aug1(image=image)
blurred_image2 = aug2(image=image)
blurred_image3 = aug3(image=image)# 展示原始图像和数据增强后的图像
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
axes[0][0].imshow(image)
axes[0][0].set_title("Original Image")
axes[0][1].imshow(blurred_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(blurred_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(blurred_image3)
axes[1][1].set_title("Augmented Image3")
plt.show()

运行结果如下：

图1 原图及数据增强结果可视化

可以看到，三幅数据增强后的图像，其亮度相对于原图而言，都整体变亮/暗了，并且出现了大量噪声。

  1. 使用不同的scale
import cv2
import imgaug.augmenters as iaa
import matplotlib.pyplot as plt# 读取图像
img_path = r"D:\python_project\lena.png"
img = cv2.imread(img_path)
image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)# 创建增强器
aug1 = iaa.AdditiveGaussianNoise(loc=60, scale=0, per_channel=False)
aug2 = iaa.AdditiveGaussianNoise(loc=60, scale=30, per_channel=False)
aug3 = iaa.AdditiveGaussianNoise(loc=60, scale=60, per_channel=False)# 对图像进行数据增强
blurred_image1 = aug1(image=image)
blurred_image2 = aug2(image=image)
blurred_image3 = aug3(image=image)# 展示原始图像和数据增强后的图像
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
axes[0][0].imshow(image)
axes[0][0].set_title("Original Image")
axes[0][1].imshow(blurred_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(blurred_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(blurred_image3)
axes[1][1].set_title("Augmented Image3")
plt.show()

运行结果如下：

图2 原图及数据增强结果可视化

可以从图2看出：

  • 当标准差参数scale=0时⇒ 增强器为RGB图像的每个像素位置上都添加了相同的数值 ⇒ 数据增强后，新图像亮度整体变大了(均值为60)，且无噪声。
  • 当标准差参数scale!=0时⇒ 增强器为RGB图像的每个像素位置上都添加了随机的数值 ⇒ 数据增强后，新图像亮度整体变大了(均值为60)，且出现了大量噪声。

注意事项

  1. 噪声的尺度：scale参数决定了噪声的强度。较大的值会导致更明显的噪声，而较小的值则产生较小的波动。选择合适的值可以根据实际需求进行调整。
  2. 通道独立性：如果per_channel=True，则每个通道将独立地添加噪声。这可以用于对不同颜色通道应用不同的噪声强度。
  3. 与其他增强器结合使用：可以与其他图像增强方法结合使用，以产生更复杂和多样的图像效果。例如，可以先应用中值模糊，然后再添加高斯噪声。
  4. 结果的可重复性：由于噪声是随机的，每次应用增强器可能会产生稍微不同的结果。如果需要确保结果的可重复性，可以使用aug.to_deterministic()方法将增强器转换为确定性状态。
  5. 图像质量的保留：添加高斯噪声可能会对图像质量产生一定影响。在添加噪声时要平衡图像的清晰度和噪声的强度，以确保图像仍然具有可接受的视觉效果。

总结

AdditiveGaussianNoise是imgaug库中一个非常有用的图像增强方法，用于向图像添加加性高斯噪声。它可以用于模拟真实世界中的随机波动，增强图像的自然度和随机性。使用时需要注意噪声的强度、通道独立性、与其他增强器的结合以及图像质量的保留等问题。通过合理地调整参数和与其他方法的结合，可以实现丰富多样的图像效果。

小结

imgaug是一个强大的图像增强库，它可以帮助你创建出丰富多样的训练数据，从而改进你的深度学习模型的性能。通过定制变换序列和参数，你可以轻松地适应各种应用场景，从计算机视觉到医学影像分析。随着深度学习的发展，imgaug在未来将继续发挥重要作用。因此，将imgaug纳入你的数据增强工具箱是一个明智的选择。

参考链接

结尾

亲爱的读者，首先感谢您抽出宝贵的时间来阅读我们的博客。我们真诚地欢迎您留下评论和意见，因为这对我们来说意义非凡。
俗话说，当局者迷，旁观者清。您的客观视角对于我们发现博文的不足、提升内容质量起着不可替代的作用。
如果您觉得我们的博文给您带来了启发，那么，希望您能为我们点个免费的赞/关注，您的支持和鼓励是我们持续创作的动力。
请放心，我们会持续努力创作，并不断优化博文质量，只为给您带来更佳的阅读体验。
再次感谢您的阅读，愿我们共同成长，共享智慧的果实！

这篇关于imgaug库指南（11）：从入门到精通的【图像增强】之旅的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/590678。

相关文章

Python使用qrcode库实现生成二维码的操作指南

Python使用qrcode库实现生成二维码的操作指南

《Python使用qrcode库实现生成二维码的操作指南》二维码是一种广泛使用的二维条码,因其高效的数据存储能力和易于扫描的特点,广泛应用于支付、身份验证、营销推广等领域,Pythonqrcode库是... 目录一、安装 python qrcode 库二、基本使用方法1. 生成简单二维码2. 生成带 Log
阅读更多...
高效管理你的Linux系统: Debian操作系统常用命令指南

高效管理你的Linux系统: Debian操作系统常用命令指南

《高效管理你的Linux系统:Debian操作系统常用命令指南》在Debian操作系统中，了解和掌握常用命令对于提高工作效率和系统管理至关重要，本文将详细介绍Debian的常用命令，帮助读者更好地使... Debian是一个流行的linux发行版，它以其稳定性、强大的软件包管理和丰富的社区资源而闻名。在使用
阅读更多...
macOS怎么轻松更换App图标? Mac电脑图标更换指南

macOS怎么轻松更换App图标? Mac电脑图标更换指南

《macOS怎么轻松更换App图标?Mac电脑图标更换指南》想要给你的Mac电脑按照自己的喜好来更换App图标？其实非常简单，只需要两步就能搞定,下面我来详细讲解一下... 虽然 MACOS 的个性化定制选项已经「缩水」，不如早期版本那么丰富，www.chinasem.cn但我们仍然可以按照自己的喜好来更换
阅读更多...
Python使用Pandas库将Excel数据叠加生成新DataFrame的操作指南

Python使用Pandas库将Excel数据叠加生成新DataFrame的操作指南

《Python使用Pandas库将Excel数据叠加生成新DataFrame的操作指南》在日常数据处理工作中,我们经常需要将不同Excel文档中的数据整合到一个新的DataFrame中,以便进行进一步... 目录一、准备工作二、读取Excel文件三、数据叠加四、处理重复数据（可选）五、保存新DataFram
阅读更多...
使用JavaScript将PDF页面中的标注扁平化的操作指南

使用JavaScript将PDF页面中的标注扁平化的操作指南

《使用JavaScript将PDF页面中的标注扁平化的操作指南》扁平化(flatten)操作可以将标注作为矢量图形包含在PDF页面的内容中,使其不可编辑,DynamsoftDocumentViewer... 目录使用Dynamsoft Document Viewer打开一个PDF文件并启用标注添加功能扁平化
阅读更多...
电脑显示hdmi无信号怎么办? 电脑显示器无信号的终极解决指南

电脑显示hdmi无信号怎么办? 电脑显示器无信号的终极解决指南

《电脑显示hdmi无信号怎么办?电脑显示器无信号的终极解决指南》HDMI无信号的问题却让人头疼不已，遇到这种情况该怎么办？针对这种情况，我们可以采取一系列步骤来逐一排查并解决问题，以下是详细的方法... 无论你是试图为笔记本电脑设置多个显示器还是使用外部显示器，都可能会弹出“无HDMI信号”错误。此消息可能
阅读更多...
如何安装 Ubuntu 24.04 LTS 桌面版或服务器? Ubuntu安装指南

如何安装 Ubuntu 24.04 LTS 桌面版或服务器? Ubuntu安装指南

《如何安装Ubuntu24.04LTS桌面版或服务器?Ubuntu安装指南》对于我们程序员来说，有一个好用的操作系统、好的编程环境也是很重要，如何安装Ubuntu24.04LTS桌面... Ubuntu 24.04 LTS，代号 Noble NumBAT，于 2024 年 4 月 25 日正式发布，引入了众
阅读更多...
Spring Security 从入门到进阶系列教程

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门（一）：登录与退出》 《Spring-Security-入门（二）：基于数据库验证》 《Spring-Security-入门（三）：密码加密》 《Spring-Security-入门（四）：自定义-Filter》 《Spring-Security-入门（五）：在 Sprin
阅读更多...
Retrieval-based-Voice-Conversion-WebUI模型构建指南

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI（简称 RVC）模型是一个基于 VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）的简单易用的语音转换框架。 具有以下特点 简单易用：RVC 模型通过简单易用的网页界面，使得用户无需深入了
阅读更多...
数论入门整理（updating）

数论入门整理（updating）

一、gcd lcm 基础中的基础，一般用来处理计算第一步什么的，分数化简之类。 LL gcd(LL a, LL b) { return b ? gcd(b, a % b) : a; } <pre name="code" class="cpp">LL lcm(LL a, LL b){LL c = gcd(a, b);return a / c * b;} 例题：
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2