数据增强之imgaug的使用

于 2024-09-30 10:54:38 发布
阅读量319 收藏 3
点赞数 4
分类专栏： 数据增强 文章标签： opencv 计算机视觉 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/baidu_28342107/article/details/121895770
版权

包的导入

path = r"D:\\"
# sometimes = lambda aug: iaa.Sometimes(0.5, aug)
img = cv2.imread("D:\\photo\\test.jpg")
img = cv2.resize(img,(128,128))
# img = cv2.cvtColor(img,cv2.COLOR_RGBA2GRAY)
cv2.imwrite(path+"img.jpg",img)

在这里插入图片描述

随机裁剪区域，使用灰度填充0.05为比例

aug = iaa.Cutout(size=0.05)  # 随机裁剪区域，使用灰度填充0.05为比例
images_aug = aug(images=img)
cv2.imwrite(path+"Cutout.jpg",images_aug)

在这里插入图片描述

随机移除几个区域，用黑色填充

aug = iaa.Dropout(p=(0.0, 0.5), per_channel=True)  # 随机移除几个区域，用黑色填充
images_aug = aug(images=img)
cv2.imwrite(path+"Dropout.jpg",images_aug)

在这里插入图片描述

运动模糊

aug = iaa.MotionBlur(k=7, angle=360, direction=1, order=1) # 运动模糊
images_aug = aug(images=img)
cv2.imwrite(path+"MotionBlur.jpg",images_aug)

在这里插入图片描述

高斯模糊

aug = iaa.GaussianBlur(sigma=2.0)  #高斯模糊
(B,G,R) = cv2.split(img)
images_aug_B = aug(images=B)
images_aug_G = aug(images=G)
images_aug_R = aug(images=R)
images_aug = cv2.merge([images_aug_B,images_aug_G,images_aug_R])
cv2.imwrite(path+"GaussianBlur.jpg",images_aug)

在这里插入图片描述

脉冲噪声

aug = iaa.ImpulseNoise(0.5)   #脉冲噪声
images_aug = aug(images=img)
cv2.imwrite(path+"ImpulseNoise.jpg",images_aug)

在这里插入图片描述

中心裁剪指定大小

aug = iaa.CropToFixedSize(512,512, seed = 6,position="center") #中心裁剪指定大小
(B,G,R) = cv2.split(img)
images_aug_B = aug(images=B)[0]
images_aug_G = aug(images=G)[0]
images_aug_R = aug(images=R)[0]
images_aug = cv2.merge([images_aug_B,images_aug_G,images_aug_R])
cv2.imwrite(path+"CropToFixedSize.jpg",images_aug)

在这里插入图片描述

形状变换需要单通道

aug = iaa.Affine(scale=(0.5,1.5),translate_px={"x": (-16, 16), "y": (-16, 16)}, shear={"x": (-15, 15), "y": (-15, 15)})  #形状变换需要单通道
Gray= cv2.cvtColor(img,cv2.COLOR_RGBA2GRAY)
images_aug = aug(images=Gray)
cv2.imwrite(path+"Affine.jpg",images_aug)

在这里插入图片描述

局部仿射变换

aug = iaa.PiecewiseAffine(scale=(0,0.2))   #局部仿射变换
Gray= cv2.cvtColor(img,cv2.COLOR_RGBA2GRAY)
images_aug = aug(images=Gray)
cv2.imwrite(path+"PiecewiseAffine.jpg",images_aug)

在这里插入图片描述

使用位移场移动像素变换

aug = iaa.ElasticTransformation(alpha=(0,40),sigma=(4,8))  #使用位移场移动像素变换
Gray= cv2.cvtColor(img,cv2.COLOR_RGBA2GRAY)
images_aug = aug(images=Gray)
cv2.imwrite(path+"ElasticTransformation.jpg",images_aug)

在这里插入图片描述

增强边缘，将其变为黑白，结果与原始图像叠加

aug = iaa.EdgeDetect(alpha=(0,0.75))  #增强边缘，将其变为黑白，结果与原始图像叠加
Gray= cv2.cvtColor(img,cv2.COLOR_RGBA2GRAY)
images_aug = aug(images=Gray)
cv2.imwrite(path+"EdgeDetect.jpg",images_aug)

在这里插入图片描述

直方图均衡

aug = iaa.HistogramEqualization()     #直方图均衡
images_aug = aug(images=img)
cv2.imwrite(path+"HistogramEqualization.jpg",images_aug)

在这里插入图片描述

使用伽马函数改变对比度

aug = iaa.GammaContrast(gamma=(0.7,2.0))  #使用伽马函数改变对比度
images_aug = aug(images=img)
cv2.imwrite(path+"GammaContrast.jpg",images_aug)

在这里插入图片描述

使用sigmoid函数改变对比度

aug = iaa.SigmoidContrast(gain=(5,6))    #使用sigmoid函数改变对比度
images_aug = aug(images=img)
cv2.imwrite(path+"SigmoidContrast.jpg",images_aug)

在这里插入图片描述

对比受限的自适应直方图

aug = iaa.AllChannelsCLAHE(clip_limit=(0.1,8))  #对比受限的自适应直方图
images_aug = aug(images=img)
cv2.imwrite(path+"AllChannelsCLAHE.jpg",images_aug)

在这里插入图片描述

前景与背景的合并

aug = iaa.BlendAlpha((0.0, 1.0),iaa.Affine(rotate=(-20, 20)),per_channel=0.5) #前景与背景的合并
Gray= cv2.cvtColor(img,cv2.COLOR_RGBA2GRAY)
images_aug = aug(images=Gray)
cv2.imwrite(path+"BlendAlph.jpg",images_aug)

在这里插入图片描述

旋转变换，不丢失边缘

aug = iaa.Affine(fit_output=True,rotate=60)  #旋转变换，不丢失边缘
Gray= cv2.cvtColor(img,cv2.COLOR_RGBA2GRAY)
images_aug = aug(images=Gray)
cv2.imwrite(path+"Affine_true.jpg",images_aug)

在这里插入图片描述

旋转变换，丢失边缘

aug = iaa.Affine(rotate=60)  #旋转变换，丢失边缘
Gray= cv2.cvtColor(img,cv2.COLOR_RGBA2GRAY)
images_aug = aug(images=Gray)
cv2.imwrite(path+"Affine_flase.jpg",images_aug)

在这里插入图片描述

旋转变换，边缘复制

aug = iaa.Affine(rotate=60, mode="edge")  #旋转变换
'''
* ``constant`` -> ``cv2.BORDER_CONSTANT``
* ``edge`` -> ``cv2.BORDER_REPLICATE``
* ``symmetric`` -> ``cv2.BORDER_REFLECT``
* ``reflect`` -> ``cv2.BORDER_REFLECT_101``
* ``wrap`` -> ``cv2.BORDER_WRAP``
'''
Gray= cv2.cvtColor(img,cv2.COLOR_RGBA2GRAY)
images_aug = aug(images=Gray)
cv2.imwrite(path+"Affine_mode.jpg",images_aug)

在这里插入图片描述

整体使用方法为序列模型

import imgaug.augmenters as iaa
import cv2
sometimes = lambda aug: iaa.Sometimes(0.5, aug) 
seq = iaa.Sequential([
        iaa.Fliplr(0.5), # 对50%的图像进行上下翻转
        iaa.Flipud(0.5), # 对50%的图像做镜像翻转
        #OneOf中选一种算术运算
        sometimes(iaa.OneOf([
        iaa.Multiply(mul=(0.8,1.2),per_channel=False), # 像素相乘系数
        iaa.Add(value=(-20,20),per_channel=False),     # 像素加减
        iaa.Cutout(size=0.2),  # 随机裁剪区域，使用灰度填充0.05为比例
        iaa.Dropout(p=(0.0, 0.5), per_channel=False)  # 随机移除几个区域，用黑色填充
        ])),
        #OneOf中选一种形状变化
        sometimes(iaa.OneOf([
	        iaa.Affine(                         
	            scale={"x": (0.8, 1.2), "y": (0.8, 1.2)},#图像缩放为80%到120%之间
	            translate_percent={"x": (-0.2, 0.2), "y": (-0.2, 0.2)}, #平移±20
	            rotate=(-45, 45),   #旋转±45度之间
	            shear=(-16, 16),    #剪切变换±16度，（矩形变平行四边形）
	            order=[0, 1],   #使用最邻近差值或者双线性差值
	            cval=(0, 255),  #全白全黑填充
	            mode="edge",    #定义填充图像外区域的方法
	            fit_output=True,#是否保持边缘丢失
	        ),
	        iaa.PiecewiseAffine(scale=(0,0.04)),   #局部仿射变换
	        iaa.ElasticTransformation(alpha=(0,40),sigma=(4,8)),  #使用位移场移动像素变换
	        iaa.PerspectiveTransform(scale=(0,0.06)) #随机四点透视变换
	    ])),
        
        #OneOf中选一种模糊方法
        sometimes(iaa.OneOf([
            iaa.GaussianBlur(sigma=2.0), # 高斯模糊
            iaa.AverageBlur(k=(2, 7)), # 均值模糊
            iaa.MedianBlur(k=(3, 11)),  # 种植模糊
            iaa.MotionBlur(k=(3, 7), angle=(0, 360)) # 运动模糊
        ])),

        #OneOf中选一种边缘方法
        sometimes(iaa.OneOf([
            iaa.Sharpen(alpha=(0, 1.0), lightness=(0.75, 1.5)),
            iaa.Emboss(alpha=(0, 1.0), strength=(0, 2.0)),
            iaa.EdgeDetect(alpha=(0,0.75)),
            iaa.DirectedEdgeDetect(
                        alpha=(0, 0.7), direction=(0.0, 1.0)
                    )# 增强特定方向上的边缘
        ])),
        
        #OneOf中选一种对比度增强方法
        sometimes(iaa.OneOf([
            iaa.HistogramEqualization(),     #直方图均衡
            iaa.GammaContrast(gamma=(0.7, 1.7)),  #使用伽马函数改变对比度
            iaa.SigmoidContrast(gain=(5,6)),    #使用sigmoid函数改变对比度
            iaa.AllChannelsCLAHE(clip_limit=(0.1,8))  #对比受限的自适应直方图
        ])),
    ],
    random_order=True # 随机的顺序把这些操作用在图像上
)
img = cv2.imread("D:\\photo\\test.jpg")
img = cv2.resize(img,(128,128))
Gray= cv2.cvtColor(img,cv2.COLOR_RGBA2GRAY)
Img = seq.augment_image(Gray)

下图转自：https://blog.youkuaiyun.com/qq_36489878/article/details/108650050
在这里插入图片描述

采用imgaug对语义分割数据增强
爱CV
11-04 128
【代码】采用imgaug对语义分割数据增强。
利用imgaug库对yoloDetect数据集和Pose数据集进行数据增强
T_killer_的博客
10-29 631
首先是图像增强助手的父类，定义了一些公共方法和一些工具函数，这个类不需要实例化，重点是后面的子类。关于这些类的使用方法会放在第三部分工具类的使用。import ospasspasspasspasspass首先是yolo目标检测数据集的数据增强助手，代码如下，没有增加什么新函数，主要是对父类的函数的重写。self.clss = [] # 每行是一个关键点实例，包括类别线框和关键点self.bbs,return imgreturn imgf.close()
使用imgaug库进行目标检测数据增强
winnerziqi的博客
03-31 764
import xml.etree.ElementTree as ET import pickle import os from os import getcwd import numpy as np from PIL import Image # 引入一个新的目标检测库 import imgaug as ia from imgaug import augmenters as iaa from utils import mkdir ia.seed(1) # 读取出图像中的目标框 def read_xml_
深度学习之数据增强库imgaug使用方法
ZONGXP的博客
10-17 2万+
参考：https://www.jianshu.com/p/99450dbdadcf 在深度学习项目中，寻找数据花费了相当多的时间。但在很多实际的项目中，我们难以找到充足的数据来完成任务。为了要保证完美地完成项目，有两件事情需要做好：1、寻找更多的数据；2、数据增强。本篇主要描述数据增强。 有很多现成的可以做数据增强的库，比如可以用OpenCV、PIL、TensorFlow、Augmentor等...
python图像数据增强——imgaug （一）
Learning-Deep
01-15 4万+
（一）imgaug基础用法 （二）imgaug进阶示例 在机器学习或者深度学习的问题中，因为受制于图像采集的方式，投入的精力和图像标注的难度等，用于训练的图像数量可能非常有限。这种情况下，可能出现模型过拟合，训练后的模型泛化能力差等问题，降低模型的实际使用能力，这种现象在医学图像的深度学习中尤其常见。为了在有限的数据下得到更好的分类，检测和分割的结果，往往需要使用数据增强的方式，通过对图像的旋转，...
imgaug学习笔记
热门推荐
Abraham Ben
04-29 5万+
imgaug是一个封装好的用来进行图像augmentation的python库,支持关键点(keypoint)和bounding box一起变换。项目主页: imgaug doc 1. 安装和卸载 # 通过github安装 sudo pip install git+https://github.com/aleju/imgaug # 通过pypi安装 sudo pip install ...
Python imgaug库的使用
Highlight_Jin的博客
11-11 1569
imaug的使用
数据增强之Imgaug使用方法
weixin_49496731的博客
02-23 553
数据增强
imgaug数据增强
weixin_42203087的博客
08-06 1077
imgaug数据增强 最近在做目标检测的项目，由于手里的数据无法很好的满足深度学习的要求，所以需要用到数据增强的手段来扩充自己的数据集，这里我采用基于python的imgaug包，具体的调用方法网上都很详细，这里不再细说，接下来主要讲两点。 1.环境配置 一般直接安装imgaug会失败，因为安装之前需要安装其它几个依赖的包才行，如下： six numpy scipy Pillow matplotlib scikit-image opencv-python imageio Shapely 其中大部分包在安装a
多标签json的线下增强使用imgaug
qq_54769708的博客
08-31 1244
对语义分割数据进行增强，适用于单标签和多标签
图像增强库imgaug的使用
joyopirate的博客
07-30 226
官方例程 https://imgaug.readthedocs.io/en/latest/index.html 简介 https://blog.youkuaiyun.com/limiyudianzi/article/details/86497305 在使用ElasticTransformation时，可能会报一个shapely的错误，解决办法如下： https://blog.youkuaiyun.com/czp_374/article/details/85919577 conda install -c conda-forge sh
数据增强神器：imgaug库的使用教程
Jason_Mar1的博客
10-25 2091
imgaug库是一个基于torchvision的数据增强工具包，可用于增加图像数据的多样性、改善模型性能、克服数据稀缺问题，以及为机器学习和计算机视觉任务提供更丰富的数据。imgaug库能够在图片包含了对图片的几何变换颜色变换、对比度和亮度调整、模糊和锐化、噪声、模拟雨/雾效果、关键点（Keypoints）等。并可以将多个增强方法组合在一起，以获得更丰富的数据增强效果。
深度学习之 imgaug （图像增强）学习笔记
qq_45723275的博客
03-01 3700
Imgaug之增强标记BoundingBoximgaug是一个封装好的用来进行图像augmentation的python库,支持关键点(keypoint)和bounding box一起变换。
实战指南：利用imgaug进行目标检测任务的图像数据增强
weixin_44505813的博客
10-07 2509
针对目标检测任务，使用imgaug进行图像数据增强
imgaug 项目使用教程
gitblog_00050的博客
08-10 349
imgaug 项目使用教程 imgaugImage augmentation for machine learning experiments.项目地址:https://gitcode.com/gh_mirrors/im/imgaug 1. 项目的目录结构及介绍 imgaug 项目的目录结构如下： imgaug/ ├── imgaug/ │ ├── augmenters/ │ ├── p...
「详解」imgaug 图像增强方法
绿色羽毛
03-15 3827
imgaug 是一个比torchvision更强大的数据增强工具包，这不仅体现在数据增强类别上，也包括数据增强方法的使用。比如，imgaug不仅提供了一些常见的shape增强方法和color增强方法，例如旋转、对比度等，也提供了加雨、加雾这些增强方法。此外，imgaug也可以设置keypoint等，对比数据增强前后关键点未知的变化。
imgaug-master 数据增强库使用记录
无左无右的博客
04-13 718
github:https://github.com/aleju/imgaug 很好的博客:http://www.pianshen.com/article/7418303734/;jsessionid=466D367430EEBC0F039A09CE80436A33 我研究了一点点儿,以下是一些测试例子: #!usr/bin/python # -*- coding: utf-8 -*- import...
imgaug 图像增强
星空中的一颗星
07-31 726
import os import cv2 import numpy as np from imgaug import augmenters as iaa # 引入数据增强的包 from tqdm import tqdm seq = iaa.SomeOf((1, None), [ # 建立一个名为seq的实例，定义增强方法，用于增强 iaa.Crop(px=(0, 16)), # 对图像进行crop操作，随机在距离边缘的0到16像素中选择crop范围 i.
python中的imgaug入门
牛肉胡辣汤
10-22 421
在计算机视觉任务中，数据增强是提高模型性能和鲁棒性的重要方法之一。​​imgaug​​ 提供了丰富的图像增强操作，可以帮助我们轻松地进行数据增强。本文介绍了 ​​imgaug​​ 的基本用法和常见的图像增强操作，希望能为你在计算机视觉项目中的数据增强提供帮助。
Imgaug数据增强
最新发布
04-03
### 使用ImgAug进行图像数据增强 ImgAug 是一个功能强大且灵活的 Python 库，专门用于图像数据增强。通过 ImgAug 可以轻松实现多种类型的图像变换操作，从而提高模型训练的效果和鲁棒性。 #### 安装与卸载 要安装 ImgAug，请运行以下命令： ```bash pip install imgaug ``` 如果需要卸载该库，则执行如下命令： ```bash pip uninstall imgaug ``` #### 基本概念 在使用 ImgAug 进行数据增强之前，需理解几个核心组件： - **增广器 (Augmenter)**：这是 ImgAug 的主要工具之一，负责定义具体的增强方式。 - **Bounding Box 处理**：对于目标检测任务，ImgAug 支持对 bounding box 同步应用相同的变换[^1]。 #### 实战代码示例 以下是基于 ImgAug 的完整数据增强流程： ##### 导入必要的模块 ```python from imgaug.augmentables.bbs import BoundingBox, BoundingBoxesOnImage import imgaug.augmenters as iaa from PIL import Image import numpy as np ``` ##### 加载图像并初始化边界框 假设我们有一张名为 `street.jpg` 的图片，并已知其中两个对象的位置分别为 `(30, 550)` 至 `(280, 950)` 和 `(400, 350)` 至 `(500, 470)`。 ```python img = Image.open("./img/street.jpg") img_np = np.array(img) bbs = BoundingBoxesOnImage([ BoundingBox(x1=30, y1=550, x2=280, y2=950), BoundingBox(x1=400, y1=350, x2=500, y2=470) ], shape=img_np.shape) ``` ##### 创建增广序列 可以通过组合不同的增广技术来构建复杂的增强策略。例如，下面的例子展示了如何随机旋转、缩放和平移图像及其对应的边界框。 ```python seq = iaa.Sequential([ iaa.Affine(rotate=(-20, 20)), # 随机旋转 [-20, 20] 度 iaa.Affine(scale={"x": (0.8, 1.2), "y": (0.8, 1.2)}), # 随机缩放 [0.8, 1.2] iaa.Fliplr(0.5), # 有 50% 的概率水平翻转 iaa.Multiply((0.8, 1.2)) # 调整亮度范围 [0.8, 1.2] ]) ``` ##### 执行增广 调用 `.augment_image()` 方法对图像进行增强，同时使用 `.augment_bounding_boxes()` 对应调整边界框位置。 ```python image_augmented, bbs_augmented = seq(image=img_np, bounding_boxes=bbs) ``` ##### 显示结果 为了验证效果，可以绘制原始图像上的边界框以及经过增强后的版本。 ```python # 绘制原图中的边界框 original_with_bb = bbs.draw_on_image(img_np, size=4) Image.fromarray(original_with_bb).show() # 绘制增强后图像中的边界框 augmented_with_bb = bbs_augmented.remove_out_of_image().clip_out_of_image().draw_on_image(image_augmented, size=4) Image.fromarray(augmented_with_bb).show() ``` 以上代码实现了完整的图像增强过程，包括加载图像、定义边界框、创建增广序列以及显示最终的结果[^2]。 --- ###
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

誓天断发

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值