使用Python進行圖像增強

知識 10-01

本文為 AI 研習社編譯的技術博客，原標題：

Image Augmentation Examples in Python

翻譯 | 就2 校對 | 老趙整理 | 志豪

https://towardsdatascience.com/image-augmentation-examples-in-python-d552c26f2873

Python中的圖像增強示例

我目前正在進行一項研究，審查圖像數據增強的深度和有效性。本研究的目標是在有限或者少量數據的情況下，學習如何增加我們的數據集大小,來訓練魯棒性卷積網路模型。

這項研究需要列出所有我們能想到的圖像增強方法，並窮舉所有這些組合，嘗試提高圖像分類模型的性能。首先出現在腦海中最簡單的圖片增強：是翻轉，平移，旋轉，縮放，隔離個別的r,g,b顏色通道，和添加噪音。更令人興奮的增強是使用生成對抗網路模型，或用遺傳演算法交換生成器網路，更有甚者在圖像中應用instagram風格的光照濾鏡、隨機區域銳化濾鏡、基於聚類技術的均值圖像增強等創新方法。

本文將向您展示如何使用NumPy對圖像進行增強。

下面是一些增強技術的列表和說明，如果你能想到任何其他方法來增強圖像，可提高圖像分類器的質量，請留下評論。

原始圖片（未增強）

增強

所有的增強都是在沒有OpenCV庫的情況下使用Numpy完成的

# Image Loading Code used for these examples

fromPILimportImage

importnumpyasnp

importmatplotlib.pyplotasplt

img = Image.open("./NIKE.png")

img = np.array(img)

plt.imshow(img)

plt.show()

翻轉

翻轉圖像是最流行的圖像數據增強方法之一。

這主要是由於翻轉代碼的簡單性以及對於大多數問題的直觀性，翻轉圖像會為模型增加價值。

下面的模型可以被認為是看到左鞋而不是右鞋，因此通過這種數據增加，模型對於看到鞋的潛在變化變得更加健壯。

#Flipping images with Numpy

flipped_img = np.fliplr(img)

plt.imshow(flipped_img)

plt.show()

平移

平移增強對檢測類分類器有很大價值。這個分類模型試圖檢測鞋子何時在圖像中而不是在圖像中。

平移將有助於它在不看鞋架的整個鞋子的情況下拿起鞋子。

# Shifting Left

foriinrange(HEIGHT, 1, -1):

forjinrange(WIDTH):

if(i

img[j][i] = img[j][i-20]

elif(i

img[j][i] = 0

plt.imshow(img)

plt.show()

# Shifting Right

forjinrange(WIDTH):

foriinrange(HEIGHT):

if(i

img[j][i] = img[j][i+20]

plt.imshow(img)

plt.show()

# Shifting Up

forjinrange(WIDTH):

foriinrange(HEIGHT):

if(j 20):

img[j][i] = img[j+20][i]

else:

img[j][i] =

plt.imshow(img)

plt.show()

#Shifting Down

forjinrange(WIDTH,1,-1):

foriinrange(278):

if(j 20):

img[j][i] = img[j-20][i]

plt.imshow(img)

plt.show()

噪點

噪點是一種有趣的增強技術。我已經看過很多關於對抗訓練的有趣論文，你可以將一些噪點投入到圖像中，因此模型無法正確分類。但我仍然在尋找產生比下圖更好的噪點的方法。添加噪點可能有助於光照畸變並使模型更加魯棒（編者就2：意思是這裡讓邊緣光照發生失真，讓尺度不變的情況下特徵轉變（SIFT），從而能增加魯棒性（SURF)，使得識別更加準確，不過，看這文章的水平應該是我多慮了）。