使用Python进行图像增强

本文为 AI 研习社编译的技术博客,原标题 :

Image Augmentation Examples in Python

翻译 | 就2 校对 | 老赵 整理 | 志豪

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

Python中的图像增强示例

我目前正在进行一项研究,审查图像数据增强的深度和有效性。本研究的目标是在有限或者少量数据的情况下,学习如何增加我们的数据集大小,来训练鲁棒性卷积网络模型。

这项研究需要列出所有我们能想到的图像增强方法,并穷举所有这些组合,尝试提高图像分类模型的性能。首先出现在脑海中最简单的图片增强:是翻转,平移,旋转,缩放,隔离个别的r,g,b颜色通道,和添加噪音。更令人兴奋的增强是使用生成对抗网络模型,或用遗传算法交换生成器网络,更有甚者在图像中应用instagram风格的光照滤镜、随机区域锐化滤镜、基于聚类技术的均值图像增强等创新方法。

本文将向您展示如何使用NumPy对图像进行增强。

下面是一些增强技术的列表和说明,如果你能想到任何其他方法来增强图像,可提高图像分类器的质量,请留下评论。

原始图片(未增强)

增强

所有的增强都是在没有OpenCV库的情况下使用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()

翻转

翻转图像是最流行的图像数据增强方法之一。

这主要是由于翻转代码的简单性以及对于大多数问题的直观性,翻转图像会为模型增加价值。

下面的模型可以被认为是看到左鞋而不是右鞋,因此通过这种数据增加,模型对于看到鞋的潜在变化变得更加健壮。

#Flipping images with Numpy

flipped_img = np.fliplr(img)

plt.imshow(flipped_img)

plt.show()

平移

平移增强对检测类分类器有很大价值。 这个分类模型试图检测鞋子何时在图像中而不是在图像中。

平移将有助于它在不看鞋架的整个鞋子的情况下拿起鞋子。

# 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()

噪点

噪点是一种有趣的增强技术。 我已经看过很多关于对抗训练的有趣论文,你可以将一些噪点投入到图像中,因此模型无法正确分类。 但我仍然在寻找产生比下图更好的噪点的方法。 添加噪点可能有助于光照畸变并使模型更加鲁棒(编者就2:意思是这里让边缘光照发生失真,让尺度不变的情况下特征转变(SIFT),从而能增加鲁棒性(SURF),使得识别更加准确 ,不过,看这文章的水平应该是我多虑了)。

GANs(生成对抗网络)

我已经收到很多关于研究使用Generative Adversarial Networks进行数据增强的兴趣,下面是我能够使用MNIST数据集生成的一些图像。

正如我们从上面的图片中可以看出的那样,它们确实看起来像3 ,7和9。我目前在扩展网络架构方面遇到一些麻烦,以支持运动鞋的300x300x3尺寸输出,而不是28x28x1 MNIST数字。

但是,我对这项研究感到非常兴奋,并期待继续这项研究!感谢您阅读本文,希望您现在知道如何实现基本数据扩充以改进您的分类模型!

想要继续查看该篇文章更多代码、链接和参考文献?

戳链接:

http://www.gair.link/page/TextTranslation/1088

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180930A1MLLY00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券