imgaug库指南(五):从入门到精通的【图像增强】之旅

发布时间:2024年01月05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(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

在本博客中,我们将向您详细介绍imgaug库的数据增强方法 —— 中值模糊/滤波


中值模糊/滤波(AverageBlur)

功能介绍

iaa.MedianBlur是imgaug库中的一个方法,用于对图像进行中值模糊。中值模糊是一种非线性滤波方法,主要用于消除图像中的噪声。对于一些特定的噪声类型,如盐与胡椒噪声,中值模糊通常能取得较好的效果。

语法

iaa.MedianBlur方法的基本语法如下:

import imgaug.augmenters as iaa
aug = iaa.MedianBlur(k=(3, 11))
  • k为整数,那么卷积核的核大小为k;
  • k为包含两个整数的元组 (a, b),核大小将从 [a…b] 区间中随机采样一个奇数;
  • k为包含 两个整数元组 的元组 ((a, b), (c, d)),则每张图像将从 [a…b] 区间中采样随机核高度,从 [c…d] 区间中采样随机核宽度;

示例代码

  1. 使用不同卷积核大小
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)

# 创建均值模糊增强器
aug1 = iaa.MedianBlur(k=3)
aug2 = iaa.MedianBlur(k=7)
aug3 = iaa.MedianBlur(k=15)

# 对图像进行均值模糊处理
blurred_image1 = aug1(image=image)
blurred_image2 = aug2(image=image)
blurred_image3 = aug3(image=image)

# 展示原始图像和模糊后的图像
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("Blurred Image1")
axes[1][0].imshow(blurred_image2)
axes[1][0].set_title("Blurred Image2")
axes[1][1].imshow(blurred_image3)
axes[1][1].set_title("Blurred Image3")
plt.show()

运行结果如下:

图1 原图及中值模糊/滤波结果可视化

  1. 利用中值滤波清除椒盐噪声
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)

## 对lena图像添加椒盐噪声
# 10%像素添加椒盐噪声
aug_noise1 = iaa.SaltAndPepper(0.1, per_channel=True)
# 30%像素添加椒盐噪声
aug_noise2 = iaa.SaltAndPepper(0.3, per_channel=True)
# 50%像素添加椒盐噪声
aug_noise3 = iaa.SaltAndPepper(0.5, per_channel=True)

# 创建均值模糊增强器
aug1 = iaa.MedianBlur(k=3)

# 对图像进行均值模糊处理
noised_image1 = aug_noise1(image=image)
noised_image2 = aug_noise2(image=image)
noised_image3 = aug_noise3(image=image)

denoised_image1 = aug1(image=noised_image1)
denoised_image2 = aug1(image=noised_image2)
denoised_image3 = aug1(image=noised_image3)

# 展示原始图像和模糊后的图像
fig, axes = plt.subplots(2, 3, figsize=(15, 10))
axes[0][0].imshow(noised_image1)
axes[0][0].set_title("Noised Image1")
axes[0][1].imshow(noised_image2)
axes[0][1].set_title("Noised Image2")
axes[0][2].imshow(noised_image3)
axes[0][2].set_title("Noised Image3")
axes[1][0].imshow(denoised_image1)
axes[1][0].set_title("Denoised Image1")
axes[1][1].imshow(denoised_image2)
axes[1][1].set_title("Denoised Image2")
axes[1][2].imshow(denoised_image3)
axes[1][2].set_title("Denoised Image3")
plt.show()

运行结果如下:

图2 椒盐噪声图像及其去噪图像可视化

注意事项

  1. 核大小的选择:中值模糊的效果很大程度上取决于所选择的核大小。在大多数情况下,选择奇数大小的核(如3, 5, 7等)是比较好的。核大小的选择需要权衡模糊程度和细节保留。
  2. 计算效率:对于较大的图像,中值模糊可能会比较耗时,因为它需要对每个像素周围的区域进行排序。
  3. 与其他增强器的结合使用imgaug库提供了许多其他图像增强方法,可以与中值模糊结合使用以获得更丰富的效果。例如,可以与亮度调整、对比度调整、噪声添加等增强器结合使用。
  4. 结果的可重复性:由于中值模糊是非线性操作,每次应用可能会产生稍微不同的结果。为了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。

总结

iaa.MedianBlurimgaug库中一个非常有用的中值模糊增强器。它可以有效地消除图像中的椒盐噪声,并且在与其他增强器结合使用时,可以创造出丰富多样的图像效果。然而,使用时需要注意核大小的选择、计算效率、与其他增强器的结合使用以及结果的重复性等问题。


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/135417198
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。