数据增强-图片数据的增强

        数据增强（Data Augmentation）就是增加数据量。数据对于机器学习或者深度学习来说非常重要，有时候拥有更多的数据胜过拥有一个好的模型。一般来说，更多的数据参与训练，训练得到的模型就更好。如果数据太少，而我们构建的神经网络又太复杂，那么就比较容易产生过拟合的现象。

        在图像领域，数据增加的手段经常被使用，常用的手段如下。

（1）旋转/反射变换（rotation/reflection）：随机旋转图像一定角度，改变图像内容的朝向。       

（2）翻转变换（flip）：沿着水平或者垂直方向翻转图像。

（3）缩放变换（zoom）：按照一定的比例放大或者缩小图像。

（4）平移变换（shift）：在图像平面上对图像以一定的方式进行平移。

（5）尺度变换（scale）：对图像按照指定的尺度因子进行放大或缩小。

（6）对比度变换（contrast）：在图像的HSV颜色空间中改变饱和度S和V亮度分量，保持色调H不变，对每个像素的S和V分量进行指数运算（指数因子在0.25～4之间），增加光照变化。

（7）噪声扰动（noise）：对图像的每个像素RGB进行随机扰动。常用的噪声模式是椒盐噪声和高

斯噪声。

（8）颜色变换（color）：对训练集图像的颜色进行一些有规律的调整。

我们通过代码来直观感受数据增强方法

jupyter notebook

windows10

tensorflow-gpu==2.9.1

numpy==1.21.5

 1.设计数据增强方式

import tensorflow as tf
import numpy as np
from tensorflow.keras.preprocessing.image import ImageDataGenerator,img_to_array,load_img
datagen=ImageDataGenerator(
    rotation_range=40, #随即旋转度数
    width_shift_range=0.2,#随机水平平移
    height_shift_range=0.2,#随机竖直平移
    rescale =1/255,
    shear_range=30, #随机错切变换
    zoom_range=0.2, #随即方法
    horizontal_flip=True,
    brightness_range=(0.7,1.3),#亮度变化
    fill_mode='nearest', #填充放还是
    )

2.实现数据增强

2.1 准备图片

将图片移动至目标文件夹

img =load_img('image.png')
img

 

2.2 数据处理

先在文件目录中创建一个文件名为temp

#将图片转化为np数组
x=img_to_array(img)
#将数据变为4维度
x=np.expand_dims(x,0)
i=0
for batch in datagen.flow(x,batch_size=1,save_to_dir='temp',save_prefix='new_pet',save_format='png'):
    i+=1
    if i==20:
        break

2.3 查看效果

import os
start_directory = r'temp'
os.system("explorer.exe %s" % start_directory)

数据增强成功