图像数据增强

最新推荐文章于 2024-07-23 17:55:51 发布
最新推荐文章于 2024-07-23 17:55:51 发布
阅读量457 收藏 2
点赞数 

"""
本代码共采用了四种数据增强，如采用其他数据增强方式，可以参考本代码，随意替换。
imageDir 为原数据集的存放位置
saveDir  为数据增强后数据的存放位置
"""
'''
def flip(root_path,img_name):   #翻转图像
    img = Image.open(os.path.join(root_path, img_name))
    if img.mode == "P":
        img = img.convert('RGB')
    elif img.mode == "RGBA":
        img = img.convert('RGB')
    filp_img = img.transpose(Image.FLIP_LEFT_RIGHT)
    # filp_img.save(os.path.join(root_path,img_name.split('.')[0] + '_flip.jpg'))
    return filp_img

def rotation(root_path, img_name): #图像旋转
    img = Image.open(os.path.join(root_path, img_name))
    if img.mode == "P":
        img = img.convert('RGB')
    elif img.mode == "RGBA":
        img = img.convert('RGB')
    theta = random.randint(0,180)
    rotation_img = img.rotate(theta) #旋转角度
    # rotation_img.save(os.path.join(root_path,img_name.split('.')[0] + '_rotation.jpg'))
    return rotation_img

def randomColor(root_path, img_name): #随机颜色
    
    #对图像进行颜色抖动
    #:param image: PIL的图像image
    #:return: 有颜色色差的图像image
    
    image = Image.open(os.path.join(root_path, img_name))
    random_factor = np.random.randint(0, 41) / 10.  # 随机因子
    color_image = ImageEnhance.Color(image).enhance(random_factor)  # 调整图像的饱和度
    random_factor = np.random.randint(10, 31) / 10.  # 随机因子
    brightness_image = ImageEnhance.Brightness(color_image).enhance(random_factor)  # 调整图像的亮度
    random_factor = np.random.randint(10, 31) / 10.  # 随机因子
    contrast_image = ImageEnhance.Contrast(brightness_image).enhance(random_factor)  # 调整图像对比度
    random_factor = np.random.randint(0, 41) / 10.  # 随机因子
    return ImageEnhance.Sharpness(contrast_image).enhance(random_factor)  # 调整图像锐度


def contrastEnhancement(root_path, img_name):  # 对比度增强
    image = Image.open(os.path.join(root_path, img_name))
    enh_con = ImageEnhance.Contrast(image)
    contrast = 2
    image_contrasted = enh_con.enhance(contrast)
    return image_contrasted

def brightnessEnhancement(root_path, img_name):#亮度增强
    image = Image.open(os.path.join(root_path, img_name))
    enh_bri = ImageEnhance.Brightness(image)
    brightness = 2
    image_brightened = enh_bri.enhance(brightness)
    return image_brightened

def colorEnhancement(root_path, img_name):#颜色增强
    image = Image.open(os.path.join(root_path, img_name))
    enh_col = ImageEnhance.Color(image)
    color = 2
    image_colored = enh_col.enhance(color)
    return image_colored

def translations(img_name):#图像平移(向右下角随机在0-50之间平移)
    #image = Image.open(os.path.join(root_path, img_name))
    height, width, channels = img_name.shape
    emptyImage2 = img_name.copy()
    x= random.randint(0,50)
    y= random.randint(0,50)
    for i in range(height):
     for j in range(width):
        if i>=x and j>=y:
            emptyImage2[i,j]=img_name[i-x][j-y]
        else:
            emptyImage2[i,j]=(0,0,0)
    return emptyImage2

    #img = cv2.imread("C:\\Users\\PC\\Desktop\\video-detection\\normal3.jpg")
 
    #cv2.namedWindow("Image")
    #SaltImage=move(image)
    #cv2.imshow("Image",image)
    #cv2.imshow("ss",SaltImage)
    #cv2.waitKey(0)

#随机生成符合正态（高斯）分布的随机数，高斯噪声
def GaussianNoise(root_path,img_name):   
    image=Image.open(os.path.join(root_path, img_name))
    means = 2
    sigma = 4
    percetage = 0.5   
    imageNum=int(percetage*image.shape[0]*image.shape[1])   
    for i in range(imageNum):        
        randX=random.randint(0,image.shape[0]-1)        
        randY=random.randint(0,image.shape[1]-1)
        #此处在原有像素灰度值上加上随机数
        image[randX,randY]=image[randX,randY]+random.gauss(means,sigma)        
        #若灰度值小于0则强制为0，若灰度值大于255则强制为255
        if  image[randX, randY]< 0:                 
            image[randX, randY]=0        
        elif image[randX, randY]>255:                 
            image[randX, randY]=255    
    return image

#椒盐噪声加噪
def  Salt_pepper_noise(root_path,img_name):     
    image=Image.open(os.path.join(root_path, img_name)) 
    percetage = 0.2   
    imageNum=int(percetage*src.shape[0]*src.shape[1])   
    for i in range(imageNum):   #返还一个迭代器  
    #把一张图片的像素用行和列表示的话，randX 代表随机生成的行，randY代表随机生成的列
    #random.randint生成随机整数
    #椒盐噪声图片边缘不处理，故-1
        randX=random.randint(0,src.shape[0]-1)       
        randY=random.randint(0,src.shape[1]-1)
        #random.random生成随机浮点数，随意取到一个像素点有一半的可能是白点255，一半的可能是黑点0      
        if random.random()<=0.5:           
            image[randX,randY]=0        
        else:            
            image[randX,randY]=255    
    return image



from PIL import Image
from PIL import ImageEnhance
import os
import cv2
import numpy as np
import math
import random

imageDir="C:\\Users\\PC\\Desktop\\光交光分光猫数据集\\new-pictures\\"     #要改变的图片的路径文件夹
saveDir="C:\\Users\\PC\\Desktop\\光交光分光猫数据集\\增强\\"   #要保存的图片的路径文件夹

for name in os.listdir(imageDir):
    #saveName = name[:-4]+"id.jpg"
    #image = Image.open(os.path.join(imageDir, name))
    #image.save(os.path.join(saveDir, saveName))

    # 随机颜色
    # saveName = name[:-4] + "rC.jpg"
    # saveImage = randomColor(imageDir, name)
    # saveImage.save(os.path.join(saveDir, saveName))

    #亮度增强
    # saveName = name[:-4]+"be.jpg"
    # saveImage = brightnessEnhancement(imageDir, name)
    # saveImage.save(os.path.join(saveDir, saveName))

    #翻转
    #saveName = name[:-4]+"fl.png"
    #saveImage = flip(imageDir, name)
    #saveImage.save(os.path.join(saveDir, saveName))

    #旋转
    #saveName = name[:-4]+"ro.jpg"
    #saveImage = rotation(imageDir, name)
    #saveImage.save(os.path.join(saveDir, saveName))



    #对比度增强
    #saveName = name[:-4]+"cotrE.png"
    #saveImage = contrastEnhancement(imageDir, name)
    #saveImage.save(os.path.join(saveDir, saveName))

    #颜色增强
    # saveName = name[:-4]+"colorE.jpg"
    # saveImage = colorEnhancement(imageDir, name)
    # saveImage.save(os.path.join(saveDir, saveName))




    #高斯噪声
    #saveName = name[:-4]+"GN.jpg"
    #saveImage = GaussianNoise(os.path.join(imageDir, Name))
    #saveImage.save(os.path.join(saveDir, saveName))



    #椒盐噪声
    #saveName = name[:-4]+"Spn.jpg"
    #saveImage = Salt_pepper_noise(os.path.join(imageDir, name))
    #saveImage.save(os.path.join(saveDir, saveName))


    #平移
    #saveName = name[:-4]+"tr.jpg"
    #saveImage = translations(name)
    #saveImage.save(os.path.join(saveDir, saveName))

'''



#对图片进行平移
import os
import random
import cv2
import math
import numpy as np
def move(image):
    #print(image)
    height, width, channels = image.shape
    emptyImage2 = image.copy()
    x= random.randint(0,50)
    y= random.randint(0,50)
    for i in range(height):
        for j in range(width):
            if i>=x and j>=y:
                emptyImage2[i,j]=image[i-x][j-y]
            else:
                emptyImage2[i,j]=(0,0,0)
 
    
    return emptyImage2

imageDir="C:\\Users\\PC\\Desktop\\2\\new-pictures\\"     #要改变的图片的路径文件夹
saveDir="C:\\Users\\PC\\Desktop\\2\\1\\"   #要保存的图片的路径文件夹

for name in os.listdir(imageDir):
    img=cv2.imread(os.path.join(imageDir, name)) 
    #img = cv2.imread("C:\\Users\\PC\\Desktop\\video-detection\\normal3.jpg")
    print(img)
    #cv2.namedWindow("Image")
    SaltImage=move(img)
    saveName = name[:-4] + "move.jpg"
    cv2.imwrite(os.path.join(saveDir, saveName),SaltImage)
    #cv2.imshow("Image",img)
    #cv2.imshow("ss",SaltImage)
    #cv2.waitKey(0)


"""
import numpy as np
import random
import cv2
 
def sp_noise(image,prob):
  '''
  添加椒盐噪声
  prob:噪声比例 
  '''
  output = np.zeros(image.shape,np.uint8)
  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
 
 
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)
  #cv.imshow("gasuss", out)
  return out
"""

'''
import numpy as np
import cv2  #pip install opencv_python
from numpy import shape
import random
import os
def  fun1(src,percetage):     
    NoiseImg=src    
    NoiseNum=int(percetage*src.shape[0]*src.shape[1])   
    for i in range(NoiseNum):   #返还一个迭代器  
    #把一张图片的像素用行和列表示的话，randX 代表随机生成的行，randY代表随机生成的列
    #random.randint生成随机整数
    #椒盐噪声图片边缘不处理，故-1
        randX=random.randint(0,src.shape[0]-1)       
        randY=random.randint(0,src.shape[1]-1)
        #random.random生成随机浮点数，随意取到一个像素点有一半的可能是白点255，一半的可能是黑点0      
        if random.random()<=0.5:           
            NoiseImg[randX,randY]=0        
        else:            
            NoiseImg[randX,randY]=255    
    return NoiseImg

imageDir="C:\\Users\\PC\\Desktop\\2\\"     #要改变的图片的路径文件夹
saveDir="C:\\Users\\PC\\Desktop\\3\\"   #要保存的图片的路径文件夹

for name in os.listdir(imageDir):
    #导入图片
    img=cv2.imread(os.path.join(imageDir, name),0)
    #调fun1函数，0.2为参数信噪比设定
    img1=fun1(img,0.2)
    #在文件夹中写入命名为PepperandSalt.jpg的加噪后的图片
    saveName = name[:-4] + "noise.jpg"
    cv2.imwrite(os.path.join(saveDir, saveName),img1)
    #展示加噪后的图片
    #cv2.imshow('PepperandSalt',img1)
    #cv2.waitKey(0)

'''


#随机生成符合正态（高斯）分布的随机数，means,sigma为两个参数
"""
import numpy as np
import cv2
from numpy import shape
import random
def GaussianNoise(src,means,sigma,percetage):   
    NoiseImg=src    
    NoiseNum=int(percetage*src.shape[0]*src.shape[1])   
    for i in range(NoiseNum):        
        randX=random.randint(0,src.shape[0]-1)        
        randY=random.randint(0,src.shape[1]-1)
        #此处在原有像素灰度值上加上随机数
        NoiseImg[randX,randY]=NoiseImg[randX,randY]+random.gauss(means,sigma)        
        #若灰度值小于0则强制为0，若灰度值大于255则强制为255
        if  NoiseImg[randX, randY]< 0:                 
            NoiseImg[randX, randY]=0        
        elif NoiseImg[randX, randY]>255:                 
            NoiseImg[randX, randY]=255    
    return NoiseImg
img=cv2.imread('C:\\Users\\PC\\Desktop\\video-detection\\normal3.jpg',0)
img1=GaussianNoise(img,2,4,0.5)
cv2.imwrite('C:\\Users\\PC\\Desktop\\video-detection\\GaussianNoise.jpg',img1)
cv2.imshow('C:\\Users\\PC\\Desktop\\video-detection\\GaussianNoise',img1)
cv2.waitKey(0)
"""


"""
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
import sys
import copy

#python 图像翻转,自定义翻转

img = cv.imread('C:\\Users\\PC\\Desktop\\video-detection\\normal3.jpg')

if img.all()==None:
    print('No Such image!')
    sys.exit(0)
size = img.shape
iCopy = copy.deepcopy(img)
iCopy1 = copy.deepcopy(img)
iCopy2 = copy.deepcopy(img)
h = size[0]
w = size[1]

for i in range(h):
    for j in range(w):
        iCopy[i,w-1-j] = img[i,j]#水平镜像
        iCopy1[h-1-i,j] = img[i,j]#垂直镜像
        iCopy2[h-1-i,w-1-j] = img[i,j]#对角镜像
plt.subplot(221),plt.imshow(img)
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(222),plt.imshow(iCopy)
plt.title('Remap shuiping Image'), plt.xticks([]), plt.yticks([])
plt.subplot(223),plt.imshow(iCopy1)
plt.title('Remap chuizhi Image'), plt.xticks([]), plt.yticks([])
plt.subplot(224),plt.imshow(iCopy2)
plt.title('Remap duijiao Image'), plt.xticks([]), plt.yticks([])

plt.show()
#python 图像翻转,使用openCV flip()方法翻转
xImg = cv.flip(img,1,dst=None) #水平镜像
xImg1 = cv.flip(img,0,dst=None) #垂直镜像
xImg2 = cv.flip(img,-1,dst=None) #对角镜像
plt.subplot(221),plt.imshow(img)
plt.title('Original Image'), plt.xticks([]), plt.yticks([])
plt.subplot(222),plt.imshow(xImg)
plt.title('Remap shuiping Image'), plt.xticks([]), plt.yticks([])
plt.subplot(223),plt.imshow(xImg1)
plt.title('Remap chuizhi Image'), plt.xticks([]), plt.yticks([])
plt.subplot(224),plt.imshow(xImg2)
plt.title('Remap duijiao Image'), plt.xticks([]), plt.yticks([])

plt.show()
"""


#图像模糊处理
# coding: utf-8
"""
import numpy as np
import cv2
import os

def motion_blur(image, degree=20, angle=45):
    image = np.array(image)

    # 这里生成任意角度的运动模糊kernel的矩阵， degree越大，模糊程度越高
    M = cv2.getRotationMatrix2D((degree / 2, degree / 2), angle, 1)
    motion_blur_kernel = np.diag(np.ones(degree))
    motion_blur_kernel = cv2.warpAffine(motion_blur_kernel, M, (degree, degree))

    motion_blur_kernel = motion_blur_kernel / degree
    blurred = cv2.filter2D(image, -1, motion_blur_kernel)

    # convert to uint8
    cv2.normalize(blurred, blurred, 0, 255, cv2.NORM_MINMAX)
    blurred = np.array(blurred, dtype=np.uint8)
    return blurred

imageDir="C:\\Users\\PC\\Desktop\\pictures\\"     #要改变的图片的路径文件夹
saveDir="C:\\Users\\PC\\Desktop\\project-pictures\\"   #要保存的图片的路径文件夹

for name in os.listdir(imageDir):
    img = cv2.imread(os.path.join(imageDir, name))
    img_blur = motion_blur(img)
    saveName = name[:-4] + "blur2.jpg"
    cv2.imwrite(os.path.join(saveDir, saveName),img_blur)
    #cv2.imshow('Source image',img)
    #cv2.imshow('blur image',img_blur)
    #cv2.waitKey()
"""

"""
#对图片画线
import cv2
import numpy as np
import os
import random

imageDir="C:/Users/PC/Desktop/image/"     #要改变的图片的路径文件夹
#saveDir="C:/Users/PC/Desktop/1/"   #要保存的图片的路径文件夹

for name in os.listdir(imageDir):

    img = cv2.imread(os.path.join(imageDir, name))
#img = cv2.imread("C:/Users/PC/Desktop/image/000008.jpg")
    print(img.shape[0])
    print(img.shape[1])
        #newImg = (500,500,3) #这里是创建一个空图片500x500 深度为3的彩色图片
        #dst = np.zeros(img,np.uint8)
        #line参数解析 1 图片 2 begin 3 end 4 color 5 line width 6 line style
        #cv2.line(img,(100,100),(400,400),(0,0,255))#画一条红色的线
        #x = random.radint(0,100)
    #for j in range(6,random.randint(15,20)):

    y = random.randint(1,img.shape[0])
    g = random.randint(1,img.shape[0]-300)
    z = random.randint(1,50)
    x = random.randint(51,100)
    i = random.randint(101,150)
    j = random.randint(151,200)
    cv2.line(img,(0,y),(img.shape[1],y),(random.randint(0,255),random.randint(0,255),random.randint(0,255)),random.randint(1,6)) #画一条宽度为4的线
    cv2.line(img,(0,y-z),(img.shape[1],y-z),(random.randint(0,255),random.randint(0,255),random.randint(0,255)),random.randint(1,6))
    cv2.line(img,(0,y-x),(img.shape[1],y-x),(random.randint(0,255),random.randint(0,255),random.randint(0,255)),random.randint(1,6))
    cv2.line(img,(0,y-i),(img.shape[1],y-i),(random.randint(0,255),random.randint(0,255),random.randint(0,255)),random.randint(1,6))
    cv2.line(img,(0,y-j),(img.shape[1],y-j),(random.randint(0,255),random.randint(0,255),random.randint(0,255)),random.randint(1,6))

    savename = name[:-4] + "id1.jpg"
        #cv2.imshow('test',img)
    img1 = img
    cv2.imwrite("C:/Users/PC/Desktop/1/" + savename, img)
            #cv2.imshow('test',img)

    #cv2.imwrite(os.path.join(saveDir, savename), img1)
        #cv2.waitKey(0) 
"""

"""
#镜像
import cv2
import numpy as np
import os

imageDir=""     #要改变的图片的路径文件夹
saveDir=""   #要保存的图片的路径文件夹

for name in os.listdir(imageDir):

    img=cv2.imread(os.path.join(imageDir, name))
    imgInfo = img.shape
    height= imgInfo[0]
    width = imgInfo[1]
    deep = imgInfo[2]

    dst = np.zeros([height*2, width, deep], np.uint8)

    for i in range(height):
        for j in range(width):
            dst[i,j] = img[i,j]
            dst[height*2-i-1,j] = img[i,j]

    for i in range(width):
        dst[height, i] = (0, 0, 255)

    saveName = name[:-4] + "mirror.jpg"
    cv2.imwrite(os.path.join(saveDir, saveName),dst)
    #cv2.imshow('image', dst)
    cv2.waitKey(0)
"""


"""
#仿射
import cv2
import numpy as np
import os


imageDir="C:\\Users\\PC\\Desktop\\pictures\\"     #要改变的图片的路径文件夹
saveDir="C:\\Users\\PC\\Desktop\\project-pictures\\"   #要保存的图片的路径文件夹

for name in os.listdir(imageDir):


    img=cv2.imread(os.path.join(imageDir, name))
    imgInfo = img.shape
    height= imgInfo[0]
    width = imgInfo[1]
    deep = imgInfo[2]
    # src 3 -> dst 3 (左上角, 左下角,右上角)
    matSrc = np.float32([[0,0],[0,height-1],[width-1, 0]]) # 需要注意的是 行列 和 坐标 是不一致的
    matDst = np.float32([[50,50],[100, height-50],[width-200,100]])

    matAffine = cv2.getAffineTransform(matSrc,matDst) #mat 1 src 2 dst 形成组合矩阵
    dst = cv2.warpAffine(img, matAffine,(height, width))
    
    saveName = name[:-4] + "affine.jpg"
    cv2.imwrite(os.path.join(saveDir, saveName),dst)
    cv2.waitKey(0)
"""

上述代码，是其他博客中的代码，原链接忘记了，如有看到，请提醒。

部分代码未调通。

xjdxldx
关注
图像数据增强算法汇总(Python)
master_hunter的博客
10-24 6761
数据增强是一种通过使用已有的训练样本数据来生成更多训练数据的方法，可以应用于解决数据不足的问题。数据增强技术可以用来提高模型的泛化能力，减少过拟合现象。比如在狗猫识别项目中，通过随机旋转、翻转和裁剪等数据增强方法，可以使模型具有对不同角度和尺寸的狗猫图像的识别能力。增加训练样本数量：通过生成新样本，可以扩充训练集，提供更多样本供模型学习，从而减轻过拟合问题。提升模型的泛化能力：通过引入随机性，数据增强可以帮助模型学习到更多的通用特征，使其对新样本的泛化能力更强。增强模型的鲁棒性。
2024年最新图像数据增强算法汇总(Python)_图像融合数据增强
2401_84691951的博客
05-02 1250
🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
Python图像增强
python_plus的博客
12-23 5742
本文使用5种方法对原始数据做数据增强，分别是对比度增强、亮度增强、颜色增强、添加高斯噪声、运动模糊处理
数据增强（扩充）适合初学者
weixin_61057398的博客
11-28 1607
下面的代码可以实现13种数据增强，出自 PIL库的和。
【Python】图像处理库PIL中图像格式转换
北境の守望者
05-05 1597
Backto Python Index 此处图像格式指的是内存中图像的格式，比如 RGB 图像，灰度图像等，而不是硬盘上存储的 png，jpg 等文件格式。 不管文件格式如何，读取到内存中，都会变成 PIL 指定的格式，在 PIL 中，一共设置了 8 个格式：1，L，P，RGB，RGBA，CMYK，YCbCr，I，F。 其中最常用的就是 L: 8-bit 灰度图像，RGB 24-bit 彩色...
pillow常用图像处理功能总结
qq_37692302的博客
09-03 1684
PIL：Python Imaging Library，是Python环境下最受欢迎的图像处理库之一。 pillow简单优雅而功能强大，是图像相关机器学习任务中算法工程师的亲密合作伙伴。 pillow如下16个常用的图像处理功能： 1.图片读写 2. 图片与array互转 3. 图片与string互转 4. 图片由彩色转灰度 5. 图片通道分离与合并 6. 调整图片尺寸 7. 截取图片部分区域 8. 图片旋转 9. 图片翻转 10. 提取图片边缘 11. 图片高斯模糊 12. 在.
Python：图像标注工具
sinoai
09-26 3160
作用：在图像上左键点击，显示红点，并记录点的像素坐标；右键时保存带点的图像并把点击的坐标和坐标总数写入.npy文件。 目录./imgs存放图像，./outputs存放标注结果。 类IMG作为传给鼠标回调函数的参数，它的成员data代表图像，name代表标注结果的路径，click_count代表一幅图像上的点数，points代表一幅图像上点的坐标。 #encoding=utf-8 import...
基于Python的图像数据增强Data Augmentation解析
09-18
本篇文章将深入探讨如何使用Python实现图像数据增强，主要关注翻转、旋转和缩放等基本操作。 1. **数据增强的重要性** 深度神经网络通常需要大量标注数据才能训练出高质量的模型。然而，收集大量带有标签的图像...
图像数据增强方法概述
最新发布
m0_59257547的博客
07-23 1253
图像增强技术是计算机视觉和图像处理领域中的一个关键技术，主要用于改善图像的质量或者使其更适合后续的图像分析任务。通过对原始图像进行一系列变换，生成新的图像样本，从而增加训练数据集的多样性和丰富性，最终提升机器学习模型的性能和鲁棒性。
深入Python 验证码解析
Hi-Jimmy
04-17 2868
介绍 在Python的实战中爬虫承担相当重要的角色，而验证码识别则是爬虫中一个重点。验证码是一个网站项目的守卫，如果不能通过验证码识别，那后期的爬虫则无法进行。本文详细介绍Python验证码识别的具体细节。郑重声明：仅讨论技术，不能用于违法手段，如若不然则受法律严惩且与作者无关。 准备工作——验证码解析环境搭建 安装Tesseract Tesserocr 是 Python 的一个 ......
数据增强的方法总结及代码实现
comway_Li的博客
10-02 2万+
在训练模型的时候，经常会出现数据不够多，如此就会出现过拟合等问题，通过对训练图片进行变换可以得到泛化能力更强的网络，更好的适应应用场景。博主用自己项目中常用的一些方法代码写出来。 一、数据增强方法总结  1、平移。在图像平面上对图像以一定方式进行平移。 2、翻转图像。沿着水平或者垂直方向翻转图像。 3、旋转角度。随机旋转图像一定角度; 改变图像内容的朝向。 4、随机颜色。对图像进行颜色抖...
Python批量改变图片名字
怪&的个人博客
05-02 1万+
import os.path def rename(img_folder,num): for img_name in os.listdir(img_folder): # os.listdir()： 列出路径下所有的文件 #os.path.join() 拼接文件路径 src = os.path.join(img_folder, img_name) #src：要修改的目录名 dst = os.path.join(img_folder, 'Cat'+
高斯噪声和椒盐噪声python
韵开
09-02 1716
高斯噪声的代码如下： def GaussianNoise(src,means,sigma): NoiseImg=src rows=NoiseImg.shape[0] cols=NoiseImg.shape[1] for i in range(rows): for j in range(cols): NoiseImg[i,j...
【Python 大图切割指定尺寸多个图片生成html预览和JSON文件】
01-01 546
翻到10年世博深圳馆的一个工程文件，画面是深圳卫星地图上找东西的效果，当时是用flash 做的，现在已经记不起是as2还是as3做的了。这个切图的功臣当时用的是一款名为splitz.exe工具软件，把上万像素的图分成了256px的方块图。于是从g盘的software目录里找到还保存的这工具，想点开回忆一下。js+canvas想想就感觉太费劲了，用Python吧，自做了几个爬虫下载颜色图，感觉效率挺高的，于是就有了下面这些东西。
对训练数据集进行数据增强代码
weixin_43149427的博客
07-07 2万+
对训练数据集进行数据增强代码 原代码如下所示： ### 本代码共采用了四种数据增强，如采用其他数据增强方式，可以参考本代码，随意替换。 imageDir 为原数据集的存放位置 saveDir 为数据增强后数据的存放位置 ### def flip(root_path,img_name): #翻转图像 img = Image.open(os.path.join(root_path, ...
Python PIL库处理图片常用操作，图像识别数据增强的方法
开到荼蘼的博客
05-11 4551
在博客AlexNet原理及tensorflow实现训练神经网络的时候，做了数据增强，对图片的处理采用的是PIL(Python Image Library), PIL是Python常用的图像处理库. 下面对PIL中常用到的操作进行整理： 1. 改变图片的大小 from PIL import Image, ImageFont, ImageDraw def image_resize(image...
python实现图像数据扩增
qq_36219202的博客
10-25 7305
包括平移，翻转，旋转，调整对比度，高斯噪声，颜色变换import skimage import io,os import matplotlib.pyplot as plt from PIL import Image,ImageEnhance import cv2 #root_path为图像根目录，img_name为图像名字def move(root_path,img_name,off): #平移，平
Python图像处理库PIL的ImageEnhance模块介绍
热门推荐
icamera0的博客
02-27 3万+
ImageEnhance模块提供了一些用于图像增强的类。 一、ImageEnhance模块的接口 所有的增强类都实现了一个通用的接口，包括一个方法： enhancer.enhance(factor) ⇒ image 该方法返回一个增强过的图像。变量factor是一个浮点数，控制图像的增强程度。变量factor为1将返回原始图像的拷贝；factor值越小，颜色越少（亮度，对比度等），更多
图像数据增强技术发展综述研究
资源摘要信息: "基于图像的数据增强方法发展现状综述" 这篇资源详细探讨了图像数据增强领域的最新发展。数据增强是指通过一系列技术和方法来人为地增加数据集的大小和多样性，这对于深度学习模型的训练尤为重要，...
评论
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
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