imgaug库指南（16）：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（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
imgaug库指南（五）：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 —— 中值模糊/滤波，并介绍了如何利用【中值滤波】过滤椒盐噪声
imgaug库指南（六）：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 —— 双边模糊/滤波
imgaug库指南（七）：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 —— 运动模糊
imgaug库指南（八）：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 —— 均值迁移模糊
imgaug库指南（九）：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 —— 加性噪声(Add方法)
imgaug库指南（十）：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 —— 加性噪声(AddElementwise方法)
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)

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

---

Cutout方法

功能介绍

iaa.Cutout是imgaug库中的一个方法，用于在图像中随机生成遮罩，模拟被遮挡或缺失的部分。这种方法通常用于数据增强，以增加模型的泛化能力。

语法

import imgaug.augmenters as iaa
aug = iaa.Cutout(nb_iterations=1, position="uniform", size=0.2, squared=True, fill_mode="constant", cval=128)

• nb_iterations: 需要填充的矩形区域的个数。
  • 若nb_iterations为整数，则需要填充的矩形区域的个数为nb_iterations；
  • 若nb_iterations为元组(a, b)，则需要填充的矩形区域的个数为从区间[a, b]中采样的随机数；
  • 若nb_iterations为列表，则需要填充的矩形区域的个数为从列表中随机采样的数；
• position: 定义要填充区域的位置。
  • 可选的参数如下：

    {'uniform', 'normal', 'center', 'left-top', 'left-center',
     'left-bottom', 'center-top', 'center-center', 'center-bottom',
      'right-top', 'right-center', 'right-bottom'}
    

• size: 定义要填充区域的大小(相对于原图)，范围是[0.0, 1.0]。
  • 若size为浮点数，则要填充区域相对于原图的大小为size；
  • 若size为元组(a, b)，则要填充区域相对于原图的大小为从区间[a, b]中采样的随机数；
  • 若size为列表，则要填充区域相对于原图的大小为从列表中随机采样的数；
• squared: 定义要填充区域是否只能为方形区域 —> True/False。
  • 若 squared=True，即使原图不是方形图，填充区域也会调整为方形；
  • 若 squared=False，填充区域的形状跟随原图形状(可能为矩形/方形)；
• fill_mode: 定义填充区域的填充模式
  • 若per_channel为contant，则填充区域的填充值都是恒定的常数；
  • 若per_channel为gaussian，则填充区域的填充值为高斯噪声；
• cval : 定义填充区域的填充值(默认为128(灰色))；

示例代码

1. 使用不同的nb_iterations

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.Cutout(nb_iterations=2, size=0.2, squared=False, position='uniform')
aug2 = iaa.Cutout(nb_iterations=5, size=0.2, squared=False, position='uniform')
aug3 = iaa.Cutout(nb_iterations=8, size=0.2, squared=False, position='uniform')



# 对图像进行数据增强
blurred_image1 = aug1(image=image)
blurred_image2 = aug2(image=image)
blurred_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(blurred_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(blurred_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(blurred_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

可以看到，当使用不同的nb_iterations, 每幅数据增强后的新图像都随机出现了nb_iterations个填充了常数的填充区域。

2. 使用不同的position

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.Cutout(nb_iterations=1, size=0.2, squared=False, position='left-top')
aug2 = iaa.Cutout(nb_iterations=1, size=0.2, squared=False, position='center-center')
aug3 = iaa.Cutout(nb_iterations=1, size=0.2, squared=False, position='right-bottom')



# 对图像进行数据增强
blurred_image1 = aug1(image=image)
blurred_image2 = aug2(image=image)
blurred_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(blurred_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(blurred_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(blurred_image3)
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

可以看到，

• 当position='left-top'， 数据增强后的新图像中，填充区域出现在左上角；
• 当position='center-center'， 数据增强后的新图像中，填充区域出现在中心；
• 当position='right-bottom'， 数据增强后的新图像中，填充区域出现在右下角；

3. 使用不同的size

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.Cutout(nb_iterations=1, size=0.2, squared=False, position='center-center')
aug2 = iaa.Cutout(nb_iterations=1, size=0.5, squared=False, position='center-center')
aug3 = iaa.Cutout(nb_iterations=1, size=0.8, squared=False, position='center-center')



# 对图像进行数据增强
blurred_image1 = aug1(image=image)
blurred_image2 = aug2(image=image)
blurred_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(blurred_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(blurred_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(blurred_image3)
axes[1][1].set_title("Augmented Image3")
plt.show()

运行结果如下：

图3 原图及数据增强结果可视化

可以看到，当使用不同的size, 每幅数据增强后的新图像都出现了不同大小的填充区域。

总结

iaa.cutout是一个非常有用的图像增强方法，它通过随机生成遮罩来模拟图像中的遮挡效果。与其他增强器结合使用，可以创造出丰富多样的图像效果。使用时需要注意遮罩的形状、填充值、以及与其他增强器的结合等问题。同时，由于该方法是随机的，无法保证完全的可重复性。

---

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！