干货 | 图像数据增强实战

译者 | 小韩

编辑 | 安可

【磐创AI导读】：本文讲解了图像数据增强实战。想要获取更多的机器学习、深度学习资源，欢迎大家点击上方蓝字关注我们的公众号：磐创AI。

我目前正在做图像数据增强的深度和有效性的研究。这项研究的目的是学习怎样增加只有有限或少量数据的数据集大小，增强训练的卷积网络模型的鲁棒性。

需要列出所有可以想到的图像增强的方法，并将这些方法进行组合，尝试和改善图像分类模型的性能。一些较简单的增强方法有翻转，平移，旋转，缩放，分离r，g，b颜色通道和添加噪声。更好一些的增强方法是生成对抗网络模型，有时交替使用遗传算法和生成对抗网络。还有一些创造性的方法，比如将 Instagram 样式的高亮滤镜应用于图像，应用随机区域锐化滤镜，以及基于聚类技术添加平均图像。本文将介绍怎样使用 NumPy 对图像进行扩充。

下面列出了一些扩充技术的说明，如果你能想到任何其他方法来增强图像，提高图像分类器的质量，请留言一起讨论。

干货 | 图像数据增强实战

原始图像

增强

所有的代码都没有使用 OpenCV 库，只使用了 Numpy。

# 加载图像
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt

img = Image.open('./NIKE.png')
img = np.array(img)
plt.imshow(img)
plt.show()

翻转（Flipping）

翻转图像是最流行的图像数据增强方法之一。这主要是由于翻转图像的代码比较简单，而且对于大多数问题而言，翻转图像会增强模型的性能。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有鲁棒性。

干货 | 图像数据增强实战

# 用 Numpy 翻转
flipped_img = np.fliplr(img)
plt.imshow(flipped_img)
plt.show()

平移（Translations）

很容易想象使用目标检测的分类器进行平移可以增加它的性能。好像这个分类模型试图检测鞋子何时在图像中而不是是否在图像中。平移操作将有助于它看不到整个鞋子的情况下检测出鞋子。

干货 | 图像数据增强实战

# 向左平移
for i in range(HEIGHT, 1, -1):
  for j in range(WIDTH):
    if (i < HEIGHT-20):
      img[j][i] = img[j][i-20]
    elif (i < HEIGHT-1):
      img[j][i] = 0

plt.imshow(img)
plt.show()

干货 | 图像数据增强实战

# 向右平移
for j in range(WIDTH):
 for i in range(HEIGHT):
  if (i < HEIGHT-20):
    img[j][i] = img[j][i+20]

plt.imshow(img)
plt.show()

干货 | 图像数据增强实战

# 向上平移
for j in range(WIDTH):
 for i in range(HEIGHT):
  if (j < WIDTH - 20 and j > 20):
    img[j][i] = img[j+20][i]
  else:
    img[j][i] = 0

plt.imshow(img)
plt.show()

干货 | 图像数据增强实战

# 向下平移
for j in range(WIDTH, 1, -1):
 for i in range(278):
  if (j < 144 and j > 20):
    img[j][i] = img[j-20][i]

plt.imshow(img)
plt.show()

噪声（Noise）

噪声是一种有趣的增强技术，我开始对这类操作变得更加熟悉。我已经看过很多有趣的关于对抗网络训练的论文，将一些噪声加入到图像中，模型便无法正确分类。我仍然在寻找能产生比下图更好的添加噪声的方法。添加噪声可能使畸变更明显，并使模型更加稳健。

干货 | 图像数据增强实战

# 添加噪声
noise = np.random.randint(5, size = (164,278, 4), dtype = 'uint8')

for i in range(WIDTH):
   for j in range(HEIGHT):
        for k in range(DEPTH):
           if (img[i][j][k] != 255):
                img[i][j][k] += noise[i][j][k]

plt.imshow(img)
plt.show()