数据增强（噪声，模糊，缩放，色域变换，均衡化，色彩抖动） |
您所在的位置：网站首页 › 图像增强技术能增加原始图像的信息吗 › 数据增强（噪声，模糊，缩放，色域变换，均衡化，色彩抖动） |
数据增强（噪声，模糊，缩放，色域变换，均衡化，色彩抖动）
|
本篇为处女作，请大家多多指教。 在做深度学习时，数据的处理是重中之重。在做自己的数据集时，可能会面临数据图像数目不均衡，数据量少的困扰。本篇文章就是介绍图像增强的方法，对图像进行增强，增加图像的数目。 一、增加噪声 在图像中增加适量噪声可以增强学习能力。噪声有很多种，常见的有椒盐噪声，高斯噪声等。 1.椒盐噪声：一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素（或是两者皆有）。 #添加椒盐噪声 def sp_noise(image): output = np.zeros(image.shape,np.uint8) prob=rand(0.0005,0.001) #随机噪声比例 thres = 1 - prob for i in range(image.shape[0]): for j in range(image.shape[1]): rdn = random.random() if rdn < prob: output[i][j] = 0 elif rdn > thres: output[i][j] = 255 else: output[i][j] = image[i][j] return output2.高斯噪声：概率密度函数服从高斯分布。 def gasuss_noise(image, mean=0, var=0.001): ''' 添加高斯噪声 mean : 均值 var : 方差 ''' image = np.array(image/255, dtype=float) noise = np.random.normal(mean, var ** 0.5, image.shape) out = image + noise if out.min() < 0: low_clip = -1. else: low_clip = 0. out = np.clip(out, low_clip, 1.0) out = np.uint8(out*255) return out
二、滤波（模糊）处理 滤波处理主要是让图像变得模糊，提取图像的重要信息。常见的模糊处理有：高斯模糊，中值模糊，均值（椒盐）模糊。 卷积核大小一般为奇数：（3，3）、（5，5）、（7，7） #利用opencv模块 img1 = cv2.blur(img,(5,5)) #中值滤波 img2 = cv2.medianBlur(img,5) #椒盐滤波 img3 = cv2.GaussianBlur(img,(5,5)，0) #高斯滤波
三、旋转 图像的大小不变，可以将图像进行上下旋转，左右旋转等增加数据量，一般根据自己的需求，有些数据旋转之后就不符合原数据的要求了。 #利用pil模块 img=Iamge.open('xxx') #1.自定义旋转的角度 img2 = img.rotate(90) #2.引用固定的常量值 img2 = im.transpose(Image.FLIP_LEFT_RIGHT) #镜像旋转 img2 = im.transpose(Image.FLIP_TOP_BOTTOM) #上下旋转
此处其实没必要进行翻转，因为会不符合要求。所以要根据自己的需求进行选择。 四、图像缩放 可以通过改变图像的大小对数据增强，但有可能会引起图像的失真。 def change_scale(image,input_shape,jitter=.5) iw, ih = image.size h, w = input_shape # 对图像进行缩放并且进行长和宽的扭曲 new_ar = w/h * rand(1-jitter,1+jitter)/rand(1-jitter,1+jitter) scale = rand(.15,2.5) if new_ar < 1: nh = int(scale*h) nw = int(nh*new_ar) else: nw = int(scale*w) nh = int(nw/new_ar) image = image.resize((nw,nh), Image.BICUBIC) retuen image 五、色彩抖动 色彩抖动是通过随机调整原始图片的饱和度，亮度，对比度来对产生新的图像，增加数据集 def randomColor(image): #随机生成0，1来随机确定调整哪个参数，可能会调整饱和度，也可能会调整图像的饱和度和亮度 saturation=random.randint(0,1) brightness=random.randint(0,1) contrast=random.randint(0,1) sharpness=random.randint(0,1) #当三个参数中一个参数为1，就可执行相应的操作 if random.random() < saturation: random_factor = np.random.randint(0, 31) / 10. # 随机因子 image = ImageEnhance.Color(image).enhance(random_factor) # 调整图像的饱和度 if random.random() < brightness: random_factor = np.random.randint(10, 21) / 10. # 随机因子 image = ImageEnhance.Brightness(image).enhance(random_factor) # 调整图像的亮度 if random.random() < contrast: random_factor = np.random.randint(10, 21) / 10. # 随机因1子 image = ImageEnhance.Contrast(image).enhance(random_factor) # 调整图像对比度 if random.random() < sharpness: random_factor = np.random.randint(0, 31) / 10. # 随机因子 ImageEnhance.Sharpness(image).enhance(random_factor) # 调整图像锐度 return image 色彩抖动之后的图像可以根据自己的需求进行删减，对于一些阴间图像可以剔除掉。 六、图像均衡化 #限制对比度自适应直方图均衡 def clahe(image): b, g, r = cv2.split(image) clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) b = clahe.apply(b) g = clahe.apply(g) r = clahe.apply(r) image_clahe = cv2.merge([b, g, r]) return image_clahe #伽马变换 def gamma(image): fgamma = rand(0,2) image_gamma = np.uint8(np.power((np.array(image) / 255.0), fgamma) * 255.0) cv2.normalize(image_gamma, image_gamma, 0, 255, cv2.NORM_MINMAX) cv2.convertScaleAbs(image_gamma, image_gamma) return image_gamma #直方图均衡 def hist(image): r, g, b = cv2.split(image) r1 = cv2.equalizeHist(r) g1 = cv2.equalizeHist(g) b1 = cv2.equalizeHist(b) image_equal_clo = cv2.merge([r1, g1, b1]) return image_equal_clo 全部代码 #已有：翻转，色域变换，噪声，大小改变，模糊，色彩抖动，均衡化 import cv2 import numpy as np import matplotlib.pyplot as plt from PIL import Image,ImageEnhance from matplotlib.colors import rgb_to_hsv, hsv_to_rgb import os import random #限制对比度自适应直方图均衡 def clahe(image): b, g, r = cv2.split(image) clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8)) b = clahe.apply(b) g = clahe.apply(g) r = clahe.apply(r) image_clahe = cv2.merge([b, g, r]) return image_clahe #伽马变换 def gamma(image): fgamma = 2 image_gamma = np.uint8(np.power((np.array(image) / 255.0), fgamma) * 255.0) cv2.normalize(image_gamma, image_gamma, 0, 255, cv2.NORM_MINMAX) cv2.convertScaleAbs(image_gamma, image_gamma) return image_gamma #直方图均衡 def hist(image): r, g, b = cv2.split(image) r1 = cv2.equalizeHist(r) g1 = cv2.equalizeHist(g) b1 = cv2.equalizeHist(b) image_equal_clo = cv2.merge([r1, g1, b1]) return image_equal_clo #椒盐噪声 def sp_noise(image): output = np.zeros(image.shape,np.uint8) prob=rand(0.0005,0.001) thres = 1 - prob for i in range(image.shape[0]): for j in range(image.shape[1]): rdn = random.random() if rdn < prob: output[i][j] = 0 elif rdn > thres: output[i][j] = 255 else: output[i][j] = image[i][j] return output #色彩抖动 def randomColor(image): saturation=random.randint(0,1) brightness=random.randint(0,1) contrast=random.randint(0,1) sharpness=random.randint(0,1) if random.random() < saturation: random_factor = np.random.randint(0, 31) / 10. # 随机因子 image = ImageEnhance.Color(image).enhance(random_factor) # 调整图像的饱和度 if random.random() < brightness: random_factor = np.random.randint(10, 21) / 10. # 随机因子 image = ImageEnhance.Brightness(image).enhance(random_factor) # 调整图像的亮度 if random.random() < contrast: random_factor = np.random.randint(10, 21) / 10. # 随机因1子 image = ImageEnhance.Contrast(image).enhance(random_factor) # 调整图像对比度 if random.random() < sharpness: random_factor = np.random.randint(0, 31) / 10. # 随机因子 ImageEnhance.Sharpness(image).enhance(random_factor) # 调整图像锐度 return image def rand(a=0, b=1): return np.random.rand()*(b-a) + a def get_data(image,input_shape=[200,200],random=True, jitter=.5,hue=.1, sat=1.5, val=1.5, proc_img=True): iw, ih = image.size h, w = input_shape # 对图像进行缩放并且进行长和宽的扭曲 new_ar = w/h * rand(1-jitter,1+jitter)/rand(1-jitter,1+jitter) scale = rand(.15,2.5) if new_ar < 1: nh = int(scale*h) nw = int(nh*new_ar) else: nw = int(scale*w) nh = int(nw/new_ar) image = image.resize((nw,nh), Image.BICUBIC) # 翻转图像 flip = rand() |
【本文地址】
今日新闻 |
推荐新闻 |