数据增强 深度学习中常用的图像数据增强方法-纯干货

微信微信官方账号:OpenCV学校

专注于获取更多的计算机视觉和深度学习知识；

如果你觉得文章对你有用，请戳一下广告支持的底部

图像数据增强方法概述

图像数据准备对神经网络和卷积神经网络模型的训练有重要影响。当样本数空不足或样本数不足时，会严重影响训练或导致训练模型泛化能力不足，识别率和准确率不高！本文将向您展示如何增强现有的图像数据，并获得样本和数据的多样性，从而为训练模型奠定良好的基础。你会通过全文获得多少技巧:

使用标准化对图像进行图像增强使用几何变换（平移、翻转、旋转）对图像进行数据增强使用随机调整亮度对图像进行增强使用随机调整对比度对图像进行增强

演示基于mnist数据集，使用tensorflow+opencv，随机获取9幅大小为28x28的数据图像，然后进行处理，处理后通过opencv显示结果。加载mnisnt数据集，获得9幅随机图像。显示的代码如下:

from sensorflow . examples . tutorials . mnist importinput _ data

importtensorflow astf

importnumpy asnp

importcv2 ascv

mnist = input _ data . read _ data _ set

batch_xs，batch _ ys = mnist . train . next _ batch

defshow_images:

plot_image = np.zeros

fori inrange:

col = i % 3

row = i // 3

plot_image= images _ data。重塑

#展示剧情

cv.imshow))

batch _ xs = batch _ xs . resform

show_images

sess = tf。会话

打印

选择9个列表图像

图像标准化

关于形象标准化的原则，可以看看之前微信官方账号的文章，点击以下链接查看:

深度学习训练——图像数据标准化和规范化详解

标准化图像增强代码如下:

def标准化:

results = np.copy

fori inrange:

image = sess . run。整形)

结果= image . resform

show_images

标准化增强如下

翻转，旋转

图像几何变换通常包括图像平移、翻转、旋转等操作，图像数据增强是通过图像几何操作实现的。

翻转操作代码如下:

def random_flip:

copy= np。复制

copy= np .挤压

copy= np.expand_dims

flip _ results = sess . run)

flip _ results = NP . crush

flip _ results = NP . expand _ dims

打印

show_images

翻转增强后显示

旋转操作代码如下:

defrandom_rotate:

results = np.copy

fori inrange:

image = sess . run。整形，i% 4+ 1))

结果= image . resform

显示图像

在随机90度旋转操作增强后，

随机亮度

随机亮度通过调整图像的像素值来改变图像的亮度。以这种方式对图像进行数据增强的代码如下:

defrandom_brightness:

results = np.copy

fori inrange:

image = sess . run。整形，0.9))

结果= image . resform

显示图像

随机亮度增强后显示

随机对比

随机对比度，通过调整图像对比度来增强图像数据，代码实现如下:

defrandom_contrast:

results = np.copy

fori inrange:

image = sess . run。整形，0.85，1.5))

结果= image . resform

显示图像

随机对比度增强后显示

Python运行调用random_flip

随机亮度

随机_对比度

random_rotate

标准化

cv.waitKey

cv.destroyAllWindows

蔻驰能做到，我能再次做到，我也能再次做到。

插个广告，欢迎加入OpenCV研究院系统学习计算机视觉，掌握OpenCV+张量流编程技术，扫描下面的二维码加入，为你的未来加油！