imgaug库指南(二):从入门到精通的【图像增强】之旅

发布时间:2024年01月04日

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

imgaug库指南(一):从入门到精通的【图像增强】之旅中,我们为您初步揭开了imgaug库的神秘面纱,带您初步领略了图像增强之旅。想必您已经对这个强大工具有了初步了解。然而,很多读者可能有所疑问:如何对一批图像进行批量处理并可视化?接下来,我们就深入探讨这一问题,助您在数据处理中更加高效。

代码示例

import imgaug as ia
import imgaug.augmenters as iaa
import cv2
import matplotlib.pyplot as plt

# 设置随机种子以确保结果可复现
ia.seed(1)

# 加载图像
img_path = r"D:\python_project\lena.png"
img = cv2.imread(img_path)
# 将BGR图像转换成RGB图像
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 定义由32张图像组成的图像列表
images = [img for _ in range(32)]

# 定义图像增强序列
seq = iaa.Sequential([
    # 水平翻转图像
    iaa.Fliplr(0.5),
    # 随机裁剪图像
    iaa.Crop(percent=(0, 0.1)),
    # 以50%的概率对图像进行小的高斯模糊增强
    iaa.Sometimes(
        0.5,
        iaa.GaussianBlur(sigma=(0, 0.5))
    ),
    # 加强或减弱图像的对比度
    iaa.LinearContrast((0.75, 1.5)),
    # 添加高斯噪声
    iaa.AdditiveGaussianNoise(loc=0, scale=(0.0, 0.05 * 255), per_channel=0.5),
    # 使部分图像变亮,部分变暗
    iaa.Multiply((0.8, 1.2), per_channel=0.2),
    # 对图像进行仿射变换
    iaa.Affine(
        scale={"x": (0.8, 1.2), "y": (0.8, 1.2)},
        translate_percent={"x": (-0.2, 0.2), "y": (-0.2, 0.2)},
        rotate=(-25, 25),
        shear=(-8, 8)
    )
], random_order=True)  # 以随机顺序应用增强器

# 对图像进行增强处理
augmented_images = seq(images=images)

# 可视化增强后的图像
fig, axes = plt.subplots(nrows=4, ncols=8, figsize=(16, 8))  # 创建子图网格
for ax, img in zip(axes.flatten(), augmented_images):
    ax.imshow(img)  # 显示图像
    ax.axis('off')  # 关闭坐标轴坐标轴
plt.show()  # 显示图像窗口

该代码示例使用Python的imgaug库进行批量图像的数据增强。首先,它导入了所需的库和模块。接着,设置了随机种子以确保结果可复现。然后,从指定路径加载图像,并将其从BGR格式转换为RGB格式。

接下来,定义了一个包含原始图像的列表(利用for循环模拟批量图像)。然后,使用imgaug库中的增强器定义了一个增强序列,包括水平翻转、随机裁剪、高斯模糊、对比度调整、添加噪声、亮度和色彩调整以及仿射变换等操作。这些操作以随机顺序应用于图像列表。

最后,使用matplotlib创建了一个子图网格,将每张增强后的图像显示在一个子图上,并显示整个图像窗口,以便可视化增强后的结果。

运行结果如下:

图1 可视化数据增强结果

细节1:如果要基于matplotlib库进行可视化,那么需要将opencv读取的BGR图像先转换成RGB图像,否则可视化结果会出现颜色失真,失真如下:

图2 颜色失真举例

细节2:如果不利用ia.seed(1)设置随机数种子,那么每次运行的可视化结果不会固定 ? 如果直接应用在深度学习的训练环节中,代码是不可复现的。

图3 当不固定随机数种子时,第一次可视化结果

图4 当不固定随机数种子时,第二次可视化结果

经过观察,我们很容易发现:即使是两次完全相同的代码,其产生的数据增强效果也存在着显著差异,这无疑给代码复现带来了挑战。为了确保实验结果的可复现性和可靠性,我们往往需要固定随机数种子。


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。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,只为给带来更佳的阅读体验。
再次感谢的阅读,愿我们共同成长,共享智慧的果实!

文章来源:https://blog.csdn.net/qq_41813454/article/details/135375514
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。