imgaug库指南(20):从入门到精通的【图像增强】之旅

发布时间:2024年01月13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

在本博客中,我们将向您详细介绍imgaug库的数据增强方法 —— TotalDropout方法


TotalDropout方法

功能介绍

iaa.TotalDropoutimgaug库中一个数据增强方法,可用于从图像列表中随机删除部分图像的所有通道。这种方法可以模拟图像在恶劣天气条件下的退化,或者用于数据增强以增加模型的泛化能力。

语法


import imgaug.augmenters as iaa
aug = iaa.TotalDropout(p=1)
  • p: 定义为一副图像中所有通道被丢弃的概率(即一旦某幅图像确认被丢弃,则所有通道所有像素值设置为零 ==> 全黑图像)
    • p为浮点数,则一副图像中所有通道被丢弃的概率为p
    • p为元组(a, b),则一副图像中所有通道被丢弃的概率为从区间[a, b]中采样的随机数;
    • p为列表,则一副图像中所有通道被丢弃的概率为从列表中随机采样的浮点数;

示例代码

  1. p=0.5
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
aug = iaa.TotalDropout(p=0.5)




# 对图像进行数据增强
Augmented_image = aug(images=[image, 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_image[0])
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(Augmented_image[1])
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(Augmented_image[2])
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(丢弃概率p=0.5)

可以从图1看到:当设置丢弃概率p=0.5时,三幅新图像有两幅变成全黑图像(即被丢弃)。

  1. p=1.0
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
aug = iaa.TotalDropout(p=1.0)




# 对图像进行数据增强
Augmented_image = aug(images=[image, 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_image[0])
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(Augmented_image[1])
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(Augmented_image[2])
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(丢弃概率p=1.0)

可以从图2看到:当p=1.0时,三幅图像的所有通道都被丢弃(所有像素值都被置0)。

注意事项

  1. 概率p的选择p参数决定了一副图像所有通道的概率。较大的p值会导致更多图像的所有图像被丢弃,甚至导致所有待增强图像全黑化。
  2. 随机性:每次应用增强器可能会产生稍微不同的结果,因为图像所有通道的丢弃是随机的。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.TotalDropout是一个用于模拟图像退化的有用方法。通过随机地将像素设置为0,可以模拟恶劣天气条件或增加模型的泛化能力。使用时需要注意概率的选择、与其他增强器的结合以及结果的可重复性等问题。


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/135563597
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。