Python--使用opencv圖片數據增強

在進行模型訓練的時候會遇到數據量小的問題。針對一些小數據集可以進行離線數據增強，一定程度上能防止模型過擬合。
下面是一些使用opencv庫進行圖片數據增強的方法。
具體函數使用方法，調參啥的可以自查opencv函數手冊，也可以百度具體方法。
https://docs.opencv.org/

1、翻轉

# 翻轉
def flip(pic):
    img = []
    h_pic = cv2.flip(pic, 1)  # 水平翻轉
    v_pic = cv2.flip(pic, 0)   # 垂直翻轉
    hv_pic = cv2.flip(pic, -1)  # 水平垂直翻轉
    img.append(h_pic)
    img.append(v_pic)
    img.append(hv_pic)
    return img

2、旋轉

# 旋轉
def rotate(pic):
    scale = 1.0
    rows, cols = pic.shape[:2]
    img = []
    angle = [45, 90, 135, 180, 225, 275, 320]
    center = (cols / 2, rows / 2)   # 取圖像的中點
    for a in angle:
        M = cv2.getRotationMatrix2D(center, a, scale)  # 獲得圖像繞着某一點的旋轉矩陣
        pic = cv2.warpAffine(pic, M, (cols, rows), borderValue=(255, 255, 255))# cv2.warpAffine()的第二個參數是變換矩陣,第三個參數是輸出圖像的大小
        img.append(pic)
    return img

3、加噪聲

# 噪聲
def noise(pic):
    for i in range(1500):
        pic[random.randint(0, pic.shape[0] - 1)][random.randint(0, pic.shape[1] - 1)][:] = 255
    return pic
        # random.randint(a, b)
        # 用於生成一個指定範圍內的整數。其中參數a是下限，參數b是上限，生成的隨機數n: a <= n <= b

4、模糊

# 高斯模糊
def gussian(pic):
    img = []
    temp = cv2.GaussianBlur(pic, (9, 9), 1.5)  #高斯模糊
    dst = cv2.blur(pic, (11, 11), (-1, -1))  #均值濾波
    # cv2.GaussianBlur(圖像，卷積核，標準差）
    img.append(temp)
    img.append(dst)
    return img

5、光照

# 光照
def light(pic):
    img = []
    contrast = 1       #對比度
    brightness = 100    #亮度
    pic_turn1 = cv2.addWeighted(pic,contrast,pic,0,brightness)
    pic_turn2 = cv2.addWeighted(pic, 1.5, pic, 0, 50)
    img.append(pic_turn1)
    img.append(pic_turn2)
    # cv2.addWeighted(對象,對比度,對象,對比度)
    #cv2.addWeighted()實現的是圖像透明度的改變與圖像的疊加
    return img

6、仿射

# 仿射
def fangshe(pic):
    rows, cols = pic.shape[:2]
    point1 = np.float32([[50, 50], [300, 50], [50, 200]])
    point2 = np.float32([[10, 100], [300, 50], [100, 250]])
    M = cv2.getAffineTransform(point1, point2)
    dst = cv2.warpAffine(pic, M, (cols, rows), borderValue=(255, 255, 255))
    # 對圖像進行變換（三點得到一個變換矩陣）
    # 我們知道三點確定一個平面，我們也可以通過確定三個點的關係來得到轉換矩陣
    # 然後再通過warpAffine來進行變換
    return dst

批量增強
遍歷文件下面的圖片，每張都增強一遍。需要注意的是，我採用的方法將每張圖片都使用了一樣的增強方法。如果對文件下圖片進行隨機賦予不同的增強方式，模型訓練效果會更好，比如imgaug這個庫就能實現。後續我會更新數據增強2.0版本。不過具體還是要結合自己的數據集，有些使用imgaug效果不一定會好，可能它變太多，加入的噪聲太多了。

if __name__ == '__main__':
	print('讀取圖像開始')
    cate=['D:/me/animal/test/186/']
    img_all = []
    for idx, folder in enumerate(cate):
        folder1 = folder.split('/')
        id = folder1[4]
        print(id, folder)
        p = path_re + id + '/'   #保存路徑
        for im in glob.glob(folder + '/*.jpg'):   #遍歷文件夾下的圖片
            try:
                img = cv2.imread(im)
                #img = cv2.resize(img,(224,224))  裁剪
                noi = noise(img)  # 噪聲
                fli = flip(img)  # 翻轉
                rot = rotate(img)  # 旋轉
                guss = gussian(img)  # 模糊
                li = light(img)  # 光線
                fan = fangshe(img)  # 仿射
                img_all.append(img)
                img_all.append(fan)
                img_all = img_all + rot + fli +li + guss
                img_all.append(noi)
                im = im.split('\\')
                im = im[1].split('.')[0]
                for k, imge in zip(range(len(img_all)), img_all):
                    imge = cv2.resize(imge,(224,224))
                    cv2.imwrite(p + im + str(k) + '_.jpg', imge)  #保存圖片
            except:
                print(im)
            img_all = []

結果示例：
需要數據增強的文件：

增強之後：
根據上面貼的代碼，我在每種方法上都會通過調整多變幾張。

本篇鏈接：
https://blog.csdn.net/weixin_42385606/article/details/105956416