如何使用Python和OpenCV实现对象检测任务的数据扩充过程？

2021-03-16 09:33

def colorjitter（img， cj＿type＝＂b＂）：
＇＇＇
＃＃＃ Different Color Jitter ＃＃＃
img： image
cj＿type：｛b： brightness， s： saturation， c： constast｝
＇＇＇
if cj＿type ＝＝＂b＂：
＃ value ＝ random．randint（－50， 50）
value ＝ np．random．choice（np．array（［－50，－40，－30， 30， 40， 50］））
hsv ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2HSV）
h， s， v ＝ cv2．split（hsv）
if value ＞＝ 0：
lim ＝ 255 － value
v［v ＞ lim］＝ 255
v［v ＜＝ lim］＋＝ value
else：
lim ＝ np．absolute（value）
v［v ＜ lim］＝ 0
v［v ＞＝ lim］－＝ np．absolute（value）
final＿hsv ＝ cv2．merge（（h， s， v））
img ＝ cv2．cvtColor（final＿hsv， cv2．COLOR＿HSV2BGR）
return img

elif cj＿type ＝＝＂s＂：
＃ value ＝ random．randint（－50， 50）
value ＝ np．random．choice（np．array（［－50，－40，－30， 30， 40， 50］））
hsv ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2HSV）
h， s， v ＝ cv2．split（hsv）
if value ＞＝ 0：
lim ＝ 255 － value
s［s ＞ lim］＝ 255
s［s ＜＝ lim］＋＝ value
else：
lim ＝ np．absolute（value）
s［s ＜ lim］＝ 0
s［s ＞＝ lim］－＝ np．absolute（value）
final＿hsv ＝ cv2．merge（（h， s， v））
img ＝ cv2．cvtColor（final＿hsv， cv2．COLOR＿HSV2BGR）
return img

elif cj＿type ＝＝＂c＂：
brightness ＝ 10
contrast ＝ random．randint（40， 100）
dummy ＝ np．int16（img）
dummy ＝ dummy ＊（contrast／127＋1）－ contrast ＋ brightness
dummy ＝ np．clip（dummy， 0， 255）
img ＝ np．uint8（dummy）
return img
添加噪声通常，噪声被认为是图像中不可预料的因素，然而，有几种类型的噪声（如高斯噪声、椒盐噪声）可以用于数据扩充，在深度学习中，添加噪声是一种非常简单而有益的数据扩充方法。在下面的例子中，为了增强数据，将高斯噪声和椒盐噪声添加到原始图像中。

对于那些无法识别高斯噪声和椒盐噪声区别的人，高斯噪声的取值范围取决于配置，从0到255，因此，在RGB图像中，高斯噪声像素可以是任何颜色。相反，椒盐噪声像素只能有两个值：0或255，分别为黑色（椒）或白色（盐）。def noisy（img， noise＿type＝＂gauss＂）：
＇＇＇
＃＃＃ Adding Noise ＃＃＃
img： image
cj＿type：｛gauss： gaussian， sp： salt ＆ pepper｝
＇＇＇
if noise＿type ＝＝＂gauss＂：
image＝img．copy（）
mean＝0
st＝0．7
gauss ＝ np．random．normal（mean，st，image．shape）
gauss ＝ gauss．astype（＇uint8＇）
image ＝ cv2．add（image，gauss）
return image

elif noise＿type ＝＝＂sp＂：
image＝img．copy（）
prob ＝ 0．05
if len（image．shape）＝＝ 2：
black ＝ 0
white ＝ 255
else：
colorspace ＝ image．shape［2］
if colorspace ＝＝ 3：＃ RGB
black ＝ np．array（［0， 0， 0］， dtype＝＇uint8＇）
white ＝ np．array（［255， 255， 255］， dtype＝＇uint8＇）
else：＃ RGBA
black ＝ np．array（［0， 0， 0， 255］， dtype＝＇uint8＇）
white ＝ np．array（［255， 255， 255， 255］， dtype＝＇uint8＇）
probs ＝ np．random．random（image．shape［：2］）
image［probs ＜（prob ／ 2）］＝ black
image［probs ＞ 1 －（prob ／ 2）］＝ white
return image
过滤本文介绍的最后一个数据扩充过程是过滤。与添加噪声类似，过滤也很简单，易于实现。在实现中使用的三种滤波类型包括模糊（均值）、高斯和中值。

def filters（img， f＿type ＝＂blur＂）：
＇＇＇
＃＃＃ Filtering ＃＃＃
img： image
f＿type：｛blur： blur， gaussian： gaussian， median： median｝
＇＇＇
if f＿type ＝＝＂blur＂：
image＝img．copy（）
fsize ＝ 9
return cv2．blur（image，（fsize，fsize））

elif f＿type ＝＝＂gaussian＂：
image＝img．copy（）
fsize ＝ 9
return cv2．GaussianBlur（image，（fsize， fsize）， 0）

elif f＿type ＝＝＂median＂：
image＝img．copy（）
fsize ＝ 9
return cv2．medianBlur（image， fsize）
总结