1. AI技术聚合首页
  2. 技术文章

深度学习数据增强方法-内含（亮度增强，对比度增强，旋转图图像，翻转图像，仿射变化扩充图像，错切变化扩充图像，HSV数据增强）七种方式进行增强-每种扩充一张实现7倍扩）+ 图像缩放代码-批量

xiaoxingxing • • 技术文章 • 阅读 653

在进行深度学习训练的时候，我们往往会面临数据集不够的情况，需要进行数据集的扩充，数据集的扩充有多种多样的方式，在这里总结了7种数据扩充的方法对数据进行数据增强，包括：亮度增强，对比度增强，翻转图像，仿射变化扩充图像，错切变化扩充图像，HSV数据增强7种方法对数据进行增强。

前四种方法很容易理解。仿射变化和交错变化的原理请参考：

数据增广：旋转，缩放，平移以及错切_太阳花的小绿豆的博客-CSDN博客

HSV数据增强的原理请参考：

HSV模型简介以及利用HSV模型随机增强图像_太阳花的小绿豆的博客-CSDN博客_hsv模型

废话不多说，直接贴代码吧：以下代码的操作都是批量操作

在我们进行数据扩充之前，我们面临一个问题就是，我们收集的图片可能存在不同种格式的例如：png jpg bmp等，为了更好的进行数据扩充，我们首先需要将图片统一调整为jpg格式的。

代码显示如下：

import cv2 as cv
import os

data = ('begin')#输入放置图片的文件夹，当前文件夹下 新建个文件夹，放入即可这里写文件夹的名字
daddir = './'

old_path = daddir + data + '\\'
new_path = 'jpg'#新文件夹用来存储转换之后的图片的   当前文件夹下 新建个文件夹，放入即可这里写文件夹的名字
if not os.path.exists(new_path):
    os.mkdir(new_path)
print('开始转换' )
print('转换后的文件存入 ' + new_path + '文件夹中')

path_list = os.listdir(old_path)
path_list.sort()
for filename in path_list:
    portion = os.path.splitext(filename)
    src = cv.imread(old_path + filename)
    cv.imwrite(new_path + '\\' + portion[0] + '.jpg', src)

print('转换完毕，文件已经存入 ' + new_path + ' 中')

在代码的当前文件夹下，新建一个名为begin的文件夹用于存放需要转换的图片，新建一个名为jpg的文件夹用于存放转换后的图片。

当我们将所有图片都转换为jpg格式之后，我们就可以开始进行数据扩充了，我们根据七种数据扩充方法，对数据集进行扩充，每种方法扩充一张相当于七种方法可以使得原来的数据集扩充七倍。

代码显示如下：

import math
import cv2
import numpy
from PIL import ImageEnhance
import os
import numpy as np
from PIL import Image


def brightnessEnhancement(root_path,img_name):#亮度增强
    image = Image.open(os.path.join(root_path, img_name))
    enh_bri = ImageEnhance.Brightness(image)
    # brightness = 1.1+0.4*np.random.random()#取值范围1.1-1.5
    brightness = 1.5
    image_brightened = enh_bri.enhance(brightness)
    return image_brightened


def contrastEnhancement(root_path, img_name):  # 对比度增强
    image = Image.open(os.path.join(root_path, img_name))
    enh_con = ImageEnhance.Contrast(image)
    # contrast = 1.1+0.4*np.random.random()#取值范围1.1-1.5
    contrast = 1.5
    image_contrasted = enh_con.enhance(contrast)
    return image_contrasted

def rotation(root_path, img_name):
    img = Image.open(os.path.join(root_path, img_name))
    random_angle = np.random.randint(-2, 2)*90
    if random_angle==0:
     rotation_img = img.rotate(-90) #旋转角度
    else:
        rotation_img = img.rotate( random_angle)  # 旋转角度
    # rotation_img.save(os.path.join(root_path,img_name.split('.')[0] + '_rotation.jpg'))
    return rotation_img

def flip(root_path,img_name):   #翻转图像
    img = Image.open(os.path.join(root_path, img_name))
    filp_img = img.transpose(Image.FLIP_LEFT_RIGHT)
    # filp_img.save(os.path.join(root_path,img_name.split('.')[0] + '_flip.jpg'))
    return filp_img

def fangshe_bianhuan(root_path,img_name): #仿射变化扩充图像
    img = Image.open(os.path.join(root_path, img_name))

    img = cv2.cvtColor(numpy.asarray(img) , cv2.COLOR_RGB2BGR)

    h, w = img.shape[0], img.shape[1]
    m = cv2.getRotationMatrix2D(center=(w // 2, h // 2), angle=-30, scale=0.5)
    r_img = cv2.warpAffine(src=img, M=m, dsize=(w, h), borderValue=(0, 0, 0))

    r_img = Image.fromarray(cv2.cvtColor(r_img, cv2.COLOR_BGR2RGB))
    return r_img

def cuoqie(root_path,img_name): #错切变化扩充图像
    img = Image.open(os.path.join(root_path, img_name))

    img = cv2.cvtColor(numpy.asarray(img) , cv2.COLOR_RGB2BGR)

    h, w = img.shape[0], img.shape[1]
    origin_coord = np.array([[0, 0, 1], [w, 0, 1], [w, h, 1], [0, h, 1]])

    theta = 30  # shear角度
    tan = math.tan(math.radians(theta))

    # x方向错切
    m = np.eye(3)
    m[0, 1] = tan
    shear_coord = (m @ origin_coord.T).T.astype(np.int)
    shear_img = cv2.warpAffine(src=img, M=m[:2],
                               dsize=(np.max(shear_coord[:, 0]), np.max(shear_coord[:, 1])),
                               borderValue=(0, 0, 0))



    c_img = Image.fromarray(cv2.cvtColor(shear_img, cv2.COLOR_BGR2RGB))
    return c_img

def hsv(root_path,img_name):#HSV数据增强
    h_gain , s_gain , v_gain = 0.5 , 0.5 , 0.5
    img = Image.open(os.path.join(root_path, img_name))

    img = cv2.cvtColor(numpy.asarray(img) , cv2.COLOR_RGB2BGR)

    r = np.random.uniform(-1, 1, 3) * [h_gain, s_gain, v_gain] + 1  # random gains
    hue, sat, val = cv2.split(cv2.cvtColor(img, cv2.COLOR_BGR2HSV))
    dtype = img.dtype  # uint8

    x = np.arange(0, 256, dtype=np.int16)
    lut_hue = ((x * r[0]) % 180).astype(dtype)
    lut_sat = np.clip(x * r[1], 0, 255).astype(dtype)
    lut_val = np.clip(x * r[2], 0, 255).astype(dtype)

    img_hsv = cv2.merge((cv2.LUT(hue, lut_hue), cv2.LUT(sat, lut_sat), cv2.LUT(val, lut_val))).astype(dtype)
    aug_img = cv2.cvtColor(img_hsv, cv2.COLOR_HSV2BGR)
    aug_img = Image.fromarray(cv2.cvtColor(aug_img, cv2.COLOR_BGR2RGB))
    return aug_img



def createImage(imageDir,saveDir):#主函数，7种数据扩充方式，每种扩充一张
   i=0
   for name in os.listdir(imageDir):
      i=i+1
      saveName="cesun"+str(i)+".jpg"
      saveImage=contrastEnhancement(imageDir,name)
      saveImage.save(os.path.join(saveDir,saveName))
      saveName1 = "flip" + str(i) + ".jpg"
      saveImage1 = flip(imageDir,name)
      saveImage1.save(os.path.join(saveDir, saveName1))
      saveName2 = "brightnessE" + str(i) + ".jpg"
      saveImage2 = brightnessEnhancement(imageDir, name)
      saveImage2.save(os.path.join(saveDir, saveName2))
      saveName3 = "rotate" + str(i) + ".jpg"
      saveImage = rotation(imageDir, name)
      saveImage.save(os.path.join(saveDir, saveName3))
      saveName4 = "fangshe" + str(i) + ".jpg"
      saveImage = fangshe_bianhuan(imageDir, name)
      saveImage.save(os.path.join(saveDir, saveName4))
      saveName5 = "cuoqie" + str(i) + ".jpg"
      saveImage = cuoqie(imageDir, name)
      saveImage.save(os.path.join(saveDir, saveName5))
      saveName6 = "hsv" + str(i) + ".jpg"
      saveImage = hsv(imageDir, name)
      saveImage.save(os.path.join(saveDir, saveName6))


imageDir="jpg" #要改变的图片的路径文件夹  在当前文件夹下，建立文件夹即可
saveDir="kuochong"   #数据增强生成图片的路径文件夹
print('文件的初始文件夹为：' + imageDir)
print('----------------------------------------')
print('文件的转换后存入的文件夹为：' + saveDir)
print('----------------------------------------')
print('开始转换')
print('----------------------------------------')
createImage(imageDir,saveDir)
print('----------------------------------------')
print("数据扩充完成")

在代码的当前文件夹下，新建一个名为kuochong的文件夹用来存放扩充之后的数据集。转换成功之后即可得到增强之后的数据集。

图像缩放，我们收集的数据图像的大小往往不是固定的比例，但是神经网络的输入一般是固定的比例，所以我们需要在进入网络之前将所有的图像缩放到统一的大小训练。

图像缩放代码：

import os
import cv2

# 原图片存放文件夹
olapath = r'resize_begin'
# 修改后存放文件夹
newpath = r'resize_end\\'
# 读文件夹下所有图片名称
data = os.listdir(olapath)

print('----------------------------------------')
print("开始修改尺寸！")
print('----------------------------------------')
for image in data:
    img = cv2.imread(olapath + "\\" + image)
    H, W = img.shape[0], img.shape[1]
    width = 120  #需要缩放成多大，这里直接修改就行，我这里是缩放成120*120，根据自己的需要修改成响应的数值即可
    height = 120
    img = cv2.resize(img, (width, height), interpolation=cv2.INTER_AREA)
    # 保存图片
    cv2.imwrite(newpath + image, img)

print("尺寸修改完毕！")
print('----------------------------------------')

代码下载链接：

链接：https://pan.baidu.com/s/1CIu1QkNvNsR_7W5LE2Mgbg
提取码：kp2r

文章出处登录后可见！

已经登录？立即刷新

共计人评分，平均分

到目前为止还没有投票！成为第一位评论此文章。

赞 (0)
xiaoxingxing的头像xiaoxingxing管理团队
0
上一篇 2022年4月3日 下午8:02
下一篇 2022年4月3日 下午8:13

相关推荐