搬了一些常用的图像数据增强技术.. 一起来学习哦  代码都是python的~~  都是一些基础哦

机器学习或深度学习模型的训练的目标是成为“通用”模型。这就需要模型没有过度拟合训练数据集，或者换句话说，我们的模型对看不见的数据有很好的了解。数据增强也是避免过度拟合的众多方法之一。

扩展用于训练模型的数据量的过程称为数据增强。通过训练具有多种数据类型的模型，我们可以获得更“泛化”的模型。“多种数据类型”是什么意思呢？本片文章只讨论“图像”数据增强技术，只详细地介绍各种图片数据增强策略。我们还将使用 PyTorch 动手实践并实现图像数据或计算机视觉中主要使用的数据增强技术。

关于图像数据增强_Image

因为介绍的是数据增强技术。所以只使用一张图片就可以了，我们先看看可视话的代码

import PIL.Image as Image  
 import torch  
 from torchvision import transforms  
 import matplotlib.pyplot as plt  
 import numpy as np  
 import warnings  

 def imshow\(img\_path, transform\):  
  """  
  Function to show data augmentation  
  Param img\_path: path of the image  
  Param transform: data augmentation technique to apply  
  """  
  img = Image.open\(img\_path\)  
  fig, ax = plt.subplots\(1, 2, figsize=\(15, 4\)\)  
  ax\[0\].set\_title\(f'Original image \{img.size\}'\)  
  ax\[0\].imshow\(img\)  
  img = transform\(img\)  
  ax\[1\].set\_title\(f'Transformed image \{img.size\}'\)  
  ax\[1\].imshow\(img\)
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
Resize/Rescale

此函数用于将图像的高度和宽度调整为我们想要的特定大小。下面的代码演示了我们想要将图像从其原始大小调整为 224 x 224。

path = './kitten.jpeg'  
 transform = transforms.Resize\(\(224, 224\)\)  
 imshow\(path, transform\)
  • 1.
  • 2.
  • 3.

关于图像数据增强_数据_02

Cropping

该技术将要选择的图像的一部分应用于新图像。例如，使用 CenterCrop 来返回一个中心裁剪的图像。

transform = transforms.CenterCrop\(\(224, 224\)\)  
 imshow\(path, transform\)
  • 1.
  • 2.

关于图像数据增强_深度学习_03

 RandomResizedCrop

这种方法同时结合了裁剪和调整大小。

transform = transforms.RandomResizedCrop\(\(100, 300\)\)  
 imshow\(path, transform\)
  • 1.
  • 2.

关于图像数据增强_拟合_04

Flipping

水平或垂直翻转图像，下面代码将尝试应用水平翻转到我们的图像。

transform = transforms.RandomHorizontalFlip\(\)  
 imshow\(path, transform\)
  • 1.
  • 2.

关于图像数据增强_深度学习_05

Padding

填充包括在图像的所有边缘上按指定的数量填充。我们将每条边填充50像素。

transform = transforms.Pad\(\(50,50,50,50\)\)  
 imshow\(path, transform\)
  • 1.
  • 2.

关于图像数据增强_深度学习_06

Rotation

对图像随机施加旋转角度。我们将这个角设为15度。

transform = transforms.RandomRotation\(15\)  
 imshow\(path, transform\)
  • 1.
  • 2.

关于图像数据增强_人工智能_07

Random Affine

这种技术是一种保持中心不变的变换。这种技术有一些参数：

  • degrees：旋转角度
  • translate：水平和垂直转换
  • scale：缩放参数
  • share：图片裁剪参数
  • fillcolor：图像外部填充的颜色
transform = transforms.RandomAffine\(1, translate=\(0.5, 0.5\), scale=\(1, 1\), shear=\(1,1\), fillcolor=\(256,256,256\)\)  
 imshow\(path, transform\)
  • 1.
  • 2.

关于图像数据增强_数据_08

Gaussian Blur

图像将使用高斯模糊进行模糊处理。

transform = transforms.GaussianBlur\(7, 3\)  
 imshow\(path, transform\)
  • 1.
  • 2.

关于图像数据增强_人工智能_09

Grayscale

将彩色图像转换为灰度。                   

transform = transforms.Grayscale\(num\_output\_channels=3\)  
 imshow\(path, transform\)
  • 1.
  • 2.

关于图像数据增强_人工智能_10

颜色增强，也称为颜色抖动，是通过改变图像的像素值来修改图像的颜色属性的过程。下面的方法都是颜色相关的操作。

Brightness

改变图像的亮度当与原始图像对比时，生成的图像变暗或变亮。

transform = transforms.ColorJitter\(brightness=2\)  
 imshow\(path, transform\)
  • 1.
  • 2.

关于图像数据增强_人工智能_11

Contrast

图像最暗和最亮部分之间的区别程度被称为对比度。图像的对比度也可以作为增强进行调整。

transform = transforms.ColorJitter\(contrast=2\)  
 imshow\(path, transform\)
  • 1.
  • 2.

关于图像数据增强_拟合_12

Saturation

图片中颜色的分离被定义为饱和度。

transform = transforms.ColorJitter\(saturation=20\)  
 imshow\(path, transform\)
  • 1.
  • 2.

 

关于图像数据增强_拟合_13

Hue

色调被定义为图片中颜色的深浅。

transform = transforms.ColorJitter\(hue=2\)  
 imshow\(path, transform\)
  • 1.
  • 2.

关于图像数据增强_数据_14

图像本身的变化将有助于模型对未见数据的泛化，从而不会对数据进行过拟合。以上整理的都是我们常见的数据增强技术，torchvision中还包含了很多方法，可以在他的文档中找到：https://pytorch.org/vision/stable/transforms.html