欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

深入淺出Python中三個圖像增強庫的使用

 更新時間：2022年05月26日 10:09:30   作者：woshicver  
這篇文章主要帶大家了解一下Python中三個圖像增強庫的使用：Imgaug、Albumentations和SOLT，文中通過示例進行了詳細介紹，需要的可以參考一下

介紹

本文中探索三個流行的 Python 圖像增強庫。

圖像分類器通常在訓練更多的圖像時表現(xiàn)得更好。在圖像分類模型中，一個常見的問題是，模型不能正確地對圖像進行分類，只是因為它沒有針對同一圖像的不同方向進行訓練。這可以通過向模型提供多種可能的圖像方向和轉(zhuǎn)換來克服。

然而，在現(xiàn)實中，收集這些不同的數(shù)據(jù)可能需要更多的時間、資源和專業(yè)知識，而且對公司來說成本可能很高。在這種情況下，圖像數(shù)據(jù)增強是一個流行的選擇，通過使用一個或多個增強技術(shù)來生成用于訓練的各種圖像，從而為現(xiàn)有數(shù)據(jù)集增加多樣性。

盡管一些Python庫支持多種增強技術(shù)，但并不是所有的技術(shù)都適合訓練模型。用戶需要知道哪些增強技術(shù)可以幫助生成用于訓練模型的實際附加數(shù)據(jù)。

我們可以使用各種技術(shù)來增強圖像數(shù)據(jù)。它可以包括：

  • 使用幾何變換（例如翻轉(zhuǎn)、裁剪、旋轉(zhuǎn)、縮放等）增強圖像數(shù)據(jù)。
  • 通過使用顏色轉(zhuǎn)換來增強圖像數(shù)據(jù)，例如通過調(diào)整亮度、暗度、銳度、飽和度等。
  • 通過隨機擦除、混合圖像等來增強圖像數(shù)據(jù)。

Imgaug

Imgaug 是一個開源 python 包，可讓你在機器學習實驗中增強圖像。它適用于各種增強技術(shù)。它有一個簡單而強大的界面，可以增強圖像、地標、邊界框、熱圖和分割圖。

讓我們首先使用 pip 安裝這個庫。

pip install imgaug

接下來，我們將使用 pip 命令在命令提示符下安裝名為“IPyPlot”的 python 包：

pip install ipyplot

IPyPlot 是一個 Python 工具，允許在 Python Notebook 單元格中快速高效地顯示圖像。這個包將 IPython 與 HTML 相結(jié)合，以提供一種更快、更豐富、更具交互性的方式來顯示圖像。這個包的 'plot_images' 命令將用于以網(wǎng)格狀結(jié)構(gòu)繪制所有圖像。

此外，我們將導入擴充數(shù)據(jù)所需的所有必要包。

import imageio
import imgaug as ia
import imgaug.augmenters as iaa

增強的圖像路徑在此處定義。我們將使用鳥類圖像作為示例。

input_img = imageio.imread('../input/image-bird/bird.jpg')

圖像翻轉(zhuǎn)

我們可以使用下面的命令水平和垂直翻轉(zhuǎn)圖像。以下代碼中的“Fliplr”關鍵字水平翻轉(zhuǎn)圖像。同樣，關鍵字“Flipud”垂直翻轉(zhuǎn)圖像。

#Horizontal Flip
hflip= iaa.Fliplr(p=1.0)
input_hf= hflip.augment_image(input_img)
#Vertical Flip
vflip= iaa.Flipud(p=1.0) 
input_vf= vflip.augment_image(input_img)
images_list=[input_img, input_hf, input_vf]
labels = ['Original', 'Horizontally flipped', 'Vertically flipped']
ipyplot.plot_images(images_list,labels=labels,img_width=180)

每個圖像被翻轉(zhuǎn)的概率由 p 表示。默認情況下，概率設置為 0.0。要水平翻轉(zhuǎn)輸入圖像，請使用 Fliplr(1.0) 。同樣，當垂直翻轉(zhuǎn)圖像時，使用 Flipud(1.0) 。

圖像旋轉(zhuǎn)

通過以度為單位定義旋轉(zhuǎn)，我們可以旋轉(zhuǎn)圖像。

rot1 = iaa.Affine(rotate=(-50,20))
input_rot1 = rot1.augment_image(input_img)
images_list=[input_img, input_rot1]
labels = ['Original', 'Rotated Image']
ipyplot.plot_images(images_list,labels=labels,img_width=180)

圖像裁剪

裁剪圖像包括從圖像的側(cè)面移除像素的列或行，可以從全尺寸輸入圖像中提取較小尺寸的子圖像。要刪除的像素數(shù)可以以絕對數(shù)或圖像大小的一部分指定。

在這種情況下，我們使用從連續(xù)間隔 [0.0, 0.3] 中均勻獲取的隨機分數(shù)裁剪圖像的每一側(cè)，并在每個圖像和每側(cè)采樣一次。在這里，我們?yōu)轫敳咳?0.3 的采樣分數(shù)，這會將圖像裁剪 0.3*H，其中 H 是輸入圖像的高度。

crop1 = iaa.Crop(percent=(0, 0.3)) 
input_crop1 = crop1.augment_image(input_img)
images_list=[input_img, input_crop1]
labels = ['Original', 'Cropped Image']
ipyplot.plot_images(images_list,labels=labels,img_width=180)

為圖像添加噪點

該增強器將高斯噪聲添加到輸入圖像。尺度值是產(chǎn)生噪聲的正態(tài)分布的標準偏差。

noise=iaa.AdditiveGaussianNoise(10,40)
input_noise=noise.augment_image(input_img)
images_list=[input_img, input_noise]
labels = ['Original', 'Gaussian Noise Image']
ipyplot.plot_images(images_list,labels=labels,img_width=180)

圖像剪切

該增強器以 -40 到 40 度范圍內(nèi)的隨機量剪切圖像。

shear = iaa.Affine(shear=(-40,40))
input_shear=shear.augment_image(input_img)
images_list=[input_img, input_shear]
labels = ['Original', 'Image Shearing']
ipyplot.plot_images(images_list,labels=labels,img_width=180)

圖像對比度

該增強器通過縮放像素值來調(diào)整圖像對比度。

contrast=iaa.GammaContrast((0.5, 2.0))
contrast_sig = iaa.SigmoidContrast(gain=(5, 10), cutoff=(0.4, 0.6))
contrast_lin = iaa.LinearContrast((0.6, 0.4))
input_contrast = contrast.augment_image(input_img)
sigmoid_contrast = contrast_sig.augment_image(input_img)
linear_contrast = contrast_lin.augment_image(input_img)
images_list=[input_img, input_contrast,sigmoid_contrast,linear_contrast]
labels = ['Original', 'Gamma Contrast','SigmoidContrast','LinearContrast']
ipyplot.plot_images(images_list,labels=labels,img_width=180)

GammaContrast 函數(shù)使用公式 255*((v/255)**gamma 調(diào)整圖像對比度，其中 v 是像素值，gamma 從范圍 [0.5, 2.0] 中均勻采樣。

SigmoidContrast 使用公式 255*1/(1+exp(gain*(cutoff-v/255)) 調(diào)整圖像對比度 （其中v為像素值，gain 從區(qū)間[3, 10]開始均勻采樣（每張圖像一次），截斷采樣與區(qū)間 [0.4, 0.6] 一致。

LinearContrast 使用公式 127 + alpha*(v-127) 改變圖像對比度，其中 v 是像素值，alpha 從 [0.4, 0.6] 范圍內(nèi)均勻采樣。

圖像轉(zhuǎn)換

“ElasticTransformation”增強器通過使用位移場在局部移動像素來變換圖像。增強器的參數(shù)是 alpha 和 sigma。位移的強度由 alpha 控制，其中較大的值表示像素移動得更遠。位移的平滑度由 sigma 控制，其中較大的值會導致更平滑的圖案。

elastic = iaa.ElasticTransformation(alpha=60.0, sigma=4.0)
polar = iaa.WithPolarWarping(iaa.CropAndPad(percent=(-0.2, 0.7)))
jigsaw = iaa.Jigsaw(nb_rows=20, nb_cols=15, max_steps=(3, 7))
input_elastic = elastic.augment_image(input_img)
input_polar = polar.augment_image(input_img)
input_jigsaw = jigsaw.augment_image(input_img)
images_list=[input_img, input_elastic,input_polar,input_jigsaw]
labels = ['Original', 'elastic','polar','jigsaw']
ipyplot.plot_images(images_list,labels=labels,img_width=180)

在使用“Polar Warping”增強器時，首先在極坐標表示中應用裁剪和填充，然后再將其扭轉(zhuǎn)回笛卡爾表示。這個增強器可以為圖像添加額外的像素。這些將被黑色像素填充。此外，“Jigsaw”增強以類似于拼圖模式的方式移動圖片內(nèi)的單元格。

圖像上的邊界框

Imgaug 還為圖像提供邊界框支持。如果在增強期間旋轉(zhuǎn)，該庫可以旋轉(zhuǎn)圖像上的所有邊界框。

from imgaug.augmentables.bbs import BoundingBox, BoundingBoxesOnImage
bbs = BoundingBoxesOnImage([
 BoundingBox(x1=40, x2=550, y1=40, y2=780)
], shape=input_img.shape)
ia.imshow(bbs.draw_on_image(input_img))

Albumentations

Albumentations 是一個快速且知名的庫，它與流行的深度學習框架（如 PyTorch 和 TensorFlow）集成。它也是 PyTorch 生態(tài)系統(tǒng)的一部分。

Albumentations 可以執(zhí)行所有典型的計算機視覺任務，包括分類、語義分割、實例分割、對象識別和姿勢估計。該庫包含 70 多種不同的增強功能，用于從現(xiàn)有數(shù)據(jù)創(chuàng)建新的訓練樣本。它通常用于工業(yè)、深度學習研究、機器學習競賽和開源項目。

讓我們首先使用 pip 命令安裝庫。

pip install Albumentations

我們將導入使用 Albumentations 擴充數(shù)據(jù)所需的所有必要包：

import albumentations as A
import cv2

除了 Albumentations 包之外，我們還使用 OpenCV 包，這是一個支持多種圖像格式的開源計算機視覺庫。Albumentations 依賴于 OpenCV；因此，你已經(jīng)安裝了它。

圖像翻轉(zhuǎn)

'A.HorizontalFlip' 和 'A.VerticalFlip' 函數(shù)用于水平和垂直翻轉(zhuǎn)圖像。p 是一個獨特的參數(shù)，幾乎所有的擴充都支持。它控制使用增強的概率。

#HorizontalFlip
transform = A.HorizontalFlip(p=0.5)
augmented_image = transform(image=input_img)['image']
plt.figure(figsize=(4, 4))
plt.axis('off')
plt.imshow(augmented_image)
 
#VerticalFlip
transform = A.VerticalFlip(p=1)
augmented_image = transform(image=input_img)['image']
plt.figure(figsize=(4, 4))
plt.axis('off')
plt.imshow(augmented_image)

圖像縮放和旋轉(zhuǎn)

該增強器隨機使用仿射變換來平移、縮放和旋轉(zhuǎn)輸入圖像。

transform = A.ShiftScaleRotate(p=0.5)
random.seed(7) 
augmented_image = transform(image=input_img)['image']
plt.figure(figsize=(4, 4))
plt.axis('off')
plt.imshow(augmented_image)

圖像 ChannelShuffle

該增強器隨機重新排列輸入圖像的 RGB 通道。

from albumentations.augmentations.transforms import ChannelShuffle
transform = ChannelShuffle(p=1.0)
random.seed(7) 
augmented_image = transform(image=input_img)['image']
plt.figure(figsize=(4, 4))
plt.axis('off')
plt.imshow(augmented_image)

圖像曝光

該增強器反轉(zhuǎn)輸入圖像中大于某個閾值的所有像素值。

from albumentations.augmentations.transforms import Solarize
transform = Solarize(threshold=200,  p=1.0)
augmented_image = transform(image=input_img)['image']
plt.figure(figsize=(4, 4))
plt.axis('off')
plt.imshow(augmented_image)

反轉(zhuǎn)圖像

通過從 255 中減去像素值，此增強器反轉(zhuǎn)輸入圖像。

from albumentations.augmentations.transforms import InvertImg
transform = InvertImg(p=1.0)
augmented_image = transform(image=input_img)['image']
plt.figure(figsize=(4, 4))
plt.axis('off')
plt.imshow(augmented_image)

使用 Compose 增強管道

要定義一個擴展管道，首先，創(chuàng)建一個 Compose 實例。你必須提供擴充列表作為 Compose 類的參數(shù)。在此示例中，我們將使用各種增強功能，例如轉(zhuǎn)置、模糊、失真等。

調(diào)用 Compose 將導致返回一個將進行圖像增強的轉(zhuǎn)換函數(shù)。

transform = A.Compose([
    A.RandomRotate90(),
    A.Transpose(),
    A.ShiftScaleRotate(shift_limit=0.08, scale_limit=0.5, rotate_limit=5, p=.8),
    A.Blur(blur_limit=7),
    A.GridDistortion(),
])
random.seed(2) 
augmented_image = transform(image=input_img)['image']
plt.figure(figsize=(4, 4))
plt.axis('off')
plt.imshow(augmented_image)

SOLT

SOLT 是一個深度學習數(shù)據(jù)增強庫，支持圖像、分割掩碼、標簽和關鍵點。SOLT 也很快，并且在其后端有 OpenCV。

我們將從使用 pip 命令安裝 SOLT 開始

pip install solt

然后我們將導入增強圖像數(shù)據(jù)所需的所有必要的 SOLT 包。

import solt
import solt.transforms as slt
h, w, c = input_img.shape
img = input_img[:w]

在這里，我們將為擴充管道創(chuàng)建一個 Stream 實例。你必須提供擴充列表作為流類的參數(shù)。

stream = solt.Stream([
    slt.Rotate(angle_range=(-90, 90), p=1, padding='r'),
    slt.Flip(axis=1, p=0.5),
    slt.Flip(axis=0, p=0.5),
    slt.Shear(range_x=0.3, range_y=0.8, p=0.5, padding='r'),
    slt.Scale(range_x=(0.8, 1.3), padding='r', range_y=(0.8, 1.3), same=False, p=0.5),
    slt.Pad((w, h), 'r'),
    slt.Crop((w, w), 'r'),
    slt.Blur(k_size=7, blur_type='m'),
    solt.SelectiveStream([
        slt.CutOut(40, p=1),
        slt.CutOut(50, p=1),
        slt.CutOut(10, p=1),
        solt.Stream(),
        solt.Stream(),
    ], n=3),
], ignore_fast_mode=True)
fig = plt.figure(figsize=(17,17))
n_augs = 10
random.seed(2)
for i in range(n_augs):
    img_aug = stream({'image': img}, return_torch=False, ).data[0].squeeze()
    ax = fig.add_subplot(1,n_augs,i+1)
    if i == 0:
        ax.imshow(img)
    else:
        ax.imshow(img_aug)
    ax.set_xticks([])
    ax.set_yticks([])
plt.show()

結(jié)論

圖像增強可以幫助增加現(xiàn)有數(shù)據(jù)集。目前有幾個 Python 庫可用于圖像增強。在本文中，我們使用三個 Python 庫——Imgaug、Albalentations和Solt探索了不同的圖像增強技術(shù)。

到此這篇關于深入淺出Python中三個圖像增強庫的使用的文章就介紹到這了,更多相關Python圖像增強庫內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

相關文章

最新評論