图像数据增强技巧

数字图形和图像处理的基础技巧 #生活技巧# #工作学习技巧# #数字技能训练#

       在训练模型时，数据是很重要的一部分。在这个数据为王的年代，要想训练出优秀的模型，数据是不可或缺的一部分。但是很多。但是大多数情况下，数据的获取并不那么容易，所以这时候就可以采取图像增强的方法，可以在一定程度上缓解过拟合的问题。（但这个也只是在某种程度上可以缓解，如果数据量属实太小，效果也不太明显）

       话不多说，现 在正式介绍相关的方法。

              1.随机调整图片的饱和度，对比度，以及色调（但也要符合实际的情况，调整范围不易过大）

              2.随机对图片进行裁剪，翻转，旋转变化（同样的，也要符合实际情况）

                  方法2还是很吃显卡的，可能会跑不起来

              3.在图像中随机添加高斯噪声(在数据量充足的情况下，一般也会使用该方法进行增强)

              4. PCA Jittering，最早是由Alex在他2012年赢得ImageNet竞赛的那篇NIPS中提出来的. 我们首先按照RGB三个颜                   色通道计算了均值和标准差，对网络的输入数据进行规范化，随后我们在整个训练集上计算了协方差矩阵，进行特征                   分解，得到特征向量和特征值，用来做PCA Jittering。

              5.Crop Sampling，就是怎么从原始图像中进行缩放裁剪获得网络的输入。比较常用的有2种方法：一是使用Scale                       Jittering，VGG和ResNet模型的训练都用了这种方法。二是尺度和长宽比增强变换，最早是Google提出来训练他                   们的Inception网络的。

              6.有监督的Crop,在Bolei今年CVPR文章的启发下，提出了有监督的数据增强方法。我们首先按照通常方法训练一个模                   型，然后用这个模型去生成真值标签的Class Activation Map（或者说Heat Map）, 这个Map指示了目标物体出                     现在不同位置的概率. 我们依据这个概率，在Map上随机选择一个位置，然后映射回原图，在原图那个位置附近去做                    Crop。

 以下是 Tensorflow 实战 Google 深度学习框架的 提到的一些图像数据增强的方法           

import matplotlib.pyplot as plt

def distort_color(image, color_ordering=0):

if color_ordering == 0:

image = tf.image.random_brightness(image, max_delta=32. / 255.)

image = tf.image.random_saturation(image, lower=0.5, upper=1.5)

image = tf.image.random_hue(image, max_delta=0.2)

image = tf.image.random_contrast(image, lower=0.5, upper=1.5)

if color_ordering == 1:

image = tf.image.random_saturation(image, lower=0.5, upper=1.5)

image = tf.image.random_hue(image, max_delta=0.2)

image = tf.image.random_contrast(image, lower=0.5, upper=1.5)

image = tf.image.random_brightness(image, max_delta=32. / 255.)

if color_ordering == 2:

image = tf.image.random_hue(image, max_delta=0.2)

image = tf.image.random_contrast(image, lower=0.5, upper=1.5)

image = tf.image.random_brightness(image, max_delta=32. / 255.)

image = tf.image.random_saturation(image, lower=0.5, upper=1.5)

if color_ordering == 3:

image = tf.image.random_contrast(image, lower=0.5, upper=1.5)

image = tf.image.random_brightness(image, max_delta=32. / 255.)

image = tf.image.random_saturation(image, lower=0.5, upper=1.5)

image = tf.image.random_hue(image, max_delta=0.2)

return tf.clip_by_value(image, 0.0, 1.0)

def preprocess_for_train(image, height, width, bbox):

if bbox is None:

bbox = tf.constant([0.0, 0.0, 1.0, 1.0], dtype=tf.float32, shape=[1, 1, 4])

if image.dytpe != tf.float32:

image = tf.image.convert_image_dtype(image, dtype=tf.float32)

bbox_begin, bbox_size, _ = tf.image.sample_distorted_bounding_box(tf.shape(image), bounding_boxes=bbox)

distorted_image = tf.slice(image, bbox_begin, bbox_size)

distorted_image = tf.image.resize_images(distorted_image, height, width, method=np.random.randint(4))

distorted_image = tf.image.random_flip_left_right(distorted_image)

distorted_image = distort_color(distorted_image, np.random.randint(4))

return distorted_image

image_raw_data = tf.gfile.FastGFile("").read()

with tf.Session() as sess:

img_data = tf.image.decode_jpeg(image_raw_data)

boxes = tf.constant([[[0.05, 0.05, 0.9, 0.7], [0.35, 0.47, 0.5, 0.56]]])

result = preprocess_for_train(img_data, 299, 299, boxes)

网址：图像数据增强技巧 https://www.yuejiaxmz.com/news/view/642309

相关内容

AI 图像增强器：一键使模糊图片变清晰
轻松掌握数据清洗，揭秘高效算法实战技巧
实用又简单的数据管理技巧
高效整理数据：Excel实用技巧指南(如何用excel整理.数据)
保护数据安全的九个技巧
让科技回归生活 让数字化图像辅助医疗
MATLAB图像处理（包括图像类型转换）
增强设计 数字赋能
数据泄露保护的五个技巧
数码摄像机的日常维护和保养技巧

随便看看