imgaug库指南（30）：从入门到精通的【图像增强】之旅

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 —— Solarize方法。

---

Solarize方法

功能介绍

iaa.Solarize是imgaug库中一种独特的图像处理技术，通过反转像素值超过特定阈值的颜色范围，赋予图像一种超现实且令人震撼的外观。

具体来说，当像素值超过预设阈值时，iaa.Solarize方法会对这些区域进行反转处理，使原本较暗的区域呈现出发光的效果，而原本较亮的区域则相应地变暗。这一处理特别适用于增强图像的对比度和视觉冲击力。

在艺术和创意图像处理领域，iaa.Solarize提供了一种独特的视觉语言，有助于创作者表达个性化的视觉效果和情感。通过灵活调整阈值和参数，用户可以精确地控制图像反转的程度和范围，从而在各种场景中实现所需的视觉效果。

语法

import imgaug.augmenters as iaa
aug = iaa.Solarize(p=1, per_channel=False, min_value=None, max_value=None, threshold=(64, 192), Solarize_above_threshold=True, seed=None, name=None, random_state='deprecated', deterministic='deprecated')

以下是对iaa.Solarize方法中各个参数的详细介绍：

1. p：

   • 类型：浮点数
   • 描述：图像反转的概率。

2. per_channel：

   • 类型：布尔值（True或False）|浮点数。
   • 描述：
     • 若per_channel为True，则RGB图像的每个通道可能不会同时进行像素值的反转操作 ==> RGB图像会出现彩色失真；
     • 若per_channel为False，则RGB图像的每个通道可能会同时进行像素值的反转操作；
     • 若per_channel为区间[0,1]的浮点数，假设per_channel=0.6，那么对于60%的图像，per_channel为True；对于剩余的40%的图像，per_channel为False；

3. min_value：

   • 类型：整数|None。
   • 描述：反转图像像素值的最小值。如果设置为None，则该值将自动从图像的数据类型中导出。

4. max_value：

   • 类型：整数|None。
   • 描述：反转图像像素值的最大值。如果设置为None，则该值将自动从图像的数据类型中导出。

5. threshold：

   • 类型：整数|整数列表|整数元组|None。
   • 描述：仅反转高于阈值的像素。
     • 若threshold为整数，则threshold即为阈值；
     • 若threshold为元组(a, b)，则阈值为从区间[a, b]中采样的随机数；
     • 若threshold为列表，则阈值为从列表中随机采样的浮点数；
     • 若threshold为`None，则不使用阈值；

6. Solarize_above_threshold：

   • 类型：布尔值（True或False）|浮点数。
   • 描述：默认为True
     • 若Solarize_above_threshold为True，则只有>=threshold的值将被反转；
     • 若Solarize_above_threshold为False，则只有<threshold的值才会反转；
     • 若Solarize_above_threshold为区间[0,1]的浮点数，假设Solarize_above_threshold=0.6，那么对于60%的图像，Solarize_above_threshold为True；对于剩余的40%的图像，Solarize_above_threshold为False；

7. 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。

8. 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. 使用不同的阈值threshold

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.Solarize(1.0, threshold=88)
aug2 = iaa.Solarize(1.0, threshold=188)
aug3 = iaa.Solarize(1.0, threshold=222)

# 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(使用不同的阈值threshold)

可以从图1看到：当使用不同的阈值threshold时，阈值越小，图像被反转的区域越大 ==> iaa.Solarize方法通过反转像素值超过特定阈值的像素，得到新图像。

2. per_channel设置为True

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.Solarize(p=0.33, per_channel=True, threshold=188)


# 对图像进行数据增强
Augmented_image1 = aug1(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_image1[0])
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(Augmented_image1[1])
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(Augmented_image1[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(per_channel设置为True)

可以从图2看到：当per_channel设置为True且p=0.33时，有一幅新图像出现了像素值反转现象，且必须超过阈值188的像素位置才会出现像素值反转。

注意事项

1. p的选择：p参数决定了待增强数据集中有多大比例的图像会被反转。较大的p值可能会导致大部分图像都被反转，需要根据具体场景选择合适的p；
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.Solarize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，首先感谢您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。您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，希望您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，只为给您带来更佳的阅读体验。
再次感谢您的阅读，愿我们共同成长，共享智慧的果实！