imgaug库指南(31):从入门到精通的【图像增强】之旅

发布时间:2024年01月20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

链接主要内容
imgaug库指南(11):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 —— 加性高斯噪声(AdditiveGaussianNoise方法)
imgaug库指南(12):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 —— 加性拉普拉斯噪声(AdditiveLaplaceNoise方法)
imgaug库指南(13):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 —— 加性泊松噪声(AdditivePoissonNoise方法)
imgaug库指南(14):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 —— 乘法运算(Multiply方法)
imgaug库指南(15):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 —— 乘法运算(MultiplyElementwise方法)
imgaug库指南(16):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 —— Cutout方法
imgaug库指南(17):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 —— Dropout方法
imgaug库指南(18):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 —— CoarseDropout方法
imgaug库指南(19):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 —— Dropout2D方法
imgaug库指南(20):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 —— TotalDropout方法
imgaug库指南(21):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 —— ReplaceElementwise方法
imgaug库指南(22):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 —— ImpulseNoise方法
imgaug库指南(23):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 —— SaltAndPepper方法
imgaug库指南(24):从入门到精通的【图像增强】之旅(干货!万字长文!)详细介绍了imgaug库的数据增强方法 —— CoarseSaltAndPepper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 —— JpegCompression方法


JpegCompression方法

功能介绍

iaa.JpegCompressionimgaug库中的一个方法,用于模拟JPEG压缩的效果。JPEG压缩是一种常见的图像压缩技术,通过减少图像文件的大小来节省存储空间和传输时间。然而,JPEG压缩也可能会导致图像质量的损失,如失真、色块和伪轮廓等。

使用iaa.JpegCompression方法,你可以将图像进行JPEG压缩,以模拟图像在压缩过程中的质量损失。该方法可以应用于任何图像,不论其原始格式如何。通过调整压缩质量参数,你可以控制JPEG压缩的程度,从而模拟不同程度的图像质量损失。

以下是一些使用iaa.JpegCompression方法的场景示例:

  1. 模拟历史图片效果:在某些情况下,模拟历史图片的JPEG压缩效果可以为图像添加一种复古或怀旧的氛围。通过使用iaa.JpegCompression方法并调整较低的压缩质量参数,你可以使图像呈现一种老照片的感觉。
  2. 测试图像处理算法的稳健性:在图像处理领域,了解算法对JPEG压缩的鲁棒性是很重要的。通过使用iaa.JpegCompression方法对图像进行压缩,你可以测试算法是否能够有效地处理经过压缩的图像,并从中提取有用的信息或特征。
  3. 网络传输与实时处理:在网络传输过程中,使用iaa.JpegCompression方法对图像进行压缩可以显著降低传输时间和带宽需求。在实时图像处理或远程传输场景中,压缩能够提高传输效率,减少延迟和网络拥堵问题。
  4. 图像识别与分类任务的预处理:在某些图像识别和分类任务中,使用iaa.JpegCompression方法对输入图像进行预处理可以提高模型的泛化能力。适度的JPEG压缩可以使模型更好地处理实际应用中可能遇到的低质量图像,从而提高识别和分类的准确性。

语法

import imgaug.augmenters as iaa
aug = iaa.JpegCompression(compression=(0, 100), seed=None, name=None, random_state='deprecated', deterministic='deprecated')

以下是对iaa.JpegCompression方法中各个参数的详细介绍:

  1. compression

    • 类型:整数|整数列表|整数元组。
    • 描述:JPEG压缩过程中使用的压缩程度,取值范围[0, 100]。
      • compression为整数,则compression即为图像的压缩程度;
      • compression为元组(a, b),则图像的压缩程度为从区间[a, b]中采样的随机数;
      • compression为列表,则图像的压缩程度为从列表中采样的随机数;
  2. seed

    • 类型:整数|None
    • 描述:用于设置随机数生成器的种子。如果提供了种子,则结果将是可重复的。默认值为None,表示随机数生成器将使用随机种子。
  3. name

    • 类型:字符串或None
    • 描述:用于标识增强器的名称。如果提供了名称,则可以在日志和可视化中识别该增强器。默认值为None,表示增强器将没有名称。

示例代码

  1. 使用不同的压缩程度compression
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.JpegCompression(compression=20)
aug2 = iaa.JpegCompression(compression=70)
aug3 = iaa.JpegCompression(compression=95)

# 对图像进行数据增强
Augmented_image1 = aug1(image=image)
Augmented_image2 = aug2(image=image)
Augmented_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(Augmented_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(Augmented_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(Augmented_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(使用不同的压缩程度compression)

可以从图1看到:当使用不同的压缩程度compression时,compression越小,图像的失真程度也越小,当compression=95时,压缩后的图像已经严重失真(右下图)。

注意事项

  1. compression的选择compression参数决定了图像被JPEG压缩的程度。较大的compression值可能会导致严重的压缩失真,需要根据具体场景选择合适的compression
  2. 随机性和可复现性(seed):如果需要可复现的结果,应该设置seed参数为一个固定的整数值。这将初始化随机数生成器,使得每次运行增强操作时都能得到相同的结果;
  3. 与其他增强操作的组合iaa.JpegCompression可以与其他imgaug增强操作组合使用,以创建更复杂的增强管道。在组合多个增强操作时,应注意它们的顺序,因为不同的顺序可能会导致不同的最终效果。

小结

imgaug是一个顶级的图像增强库,具备非常多的数据增强方法。它为你提供创造丰富多样的训练数据的机会,从而显著提升深度学习模型的性能。通过精心定制变换序列和参数,你能灵活应对各类应用场景,使我们在处理计算机视觉的数据增强问题时游刃有余。随着深度学习的持续发展,imgaug将在未来持续展现其不可或缺的价值。因此,明智之举是将imgaug纳入你的数据增强工具箱,为你的项目带来更多可能性。

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/135638355
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。