本文主要是介绍imgaug库指南（18）：从入门到精通的【图像增强】之旅，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
引言
在深度学习和计算机视觉的世界里，数据是模型训练的基石，其质量与数量直接影响着模型的性能。然而，获取大量高质量的标注数据往往需要耗费大量的时间和资源。正因如此，数据增强技术应运而生，成为了解决这一问题的关键所在。而imgaug，作为一个功能强大的图像增强库，为我们提供了简便且高效的方法来扩充数据集。本系列博客将带您深入了解如何运用imgaug进行图像增强，助您在深度学习的道路上更进一步。我们将从基础概念讲起，逐步引导您掌握各种变换方法，以及如何根据实际需求定制变换序列。让我们一起深入了解这个强大的工具，探索更多可能性，共同推动深度学习的发展。
前期回顾
| 链接 | 主要内容 |
|---|---|
| imgaug库指南（十）：从入门到精通的【图像增强】之旅 | 详细介绍了imgaug库的数据增强方法 —— 加性噪声(AddElementwise方法) |
| imgaug库指南（11）：从入门到精通的【图像增强】之旅 | 详细介绍了imgaug库的数据增强方法 —— 加性高斯噪声(AdditiveGaussianNoise方法) |
| imgaug库指南（12）：从入门到精通的【图像增强】之旅 | 详细介绍了imgaug库的数据增强方法 —— 加性拉普拉斯噪声(AdditiveLaplaceNoise方法) |
| imgaug库指南（13）：从入门到精通的【图像增强】之旅 | 详细介绍了imgaug库的数据增强方法 —— 加性泊松噪声(AdditivePoissonNoise方法) |
| imgaug库指南（14）：从入门到精通的【图像增强】之旅 | 详细介绍了imgaug库的数据增强方法 —— 乘法运算(Multiply方法) |
| imgaug库指南（15）：从入门到精通的【图像增强】之旅 | 详细介绍了imgaug库的数据增强方法 —— 乘法运算(MultiplyElementwise方法) |
| imgaug库指南（16）：从入门到精通的【图像增强】之旅 | 详细介绍了imgaug库的数据增强方法 —— Cutout方法 |
| imgaug库指南（17）：从入门到精通的【图像增强】之旅 | 详细介绍了imgaug库的数据增强方法 —— Dropout方法 |
在本博客中，我们将向您详细介绍imgaug库的数据增强方法 —— CoarseDropout方法。
CoarseDropout方法
功能介绍
iaa.CoarseDropout是imgaug库中一个数据增强方法，可用于神经网络的训练。它通过粗略地随机丢弃图像区域，模拟了经典的【Dropout】技术，有力地缓解了模型的过拟合问题。此方法通过将图像的特定区域巧妙地设为黑色，促使模型在训练过程中更加注重图像的其他关键部分，从而提升模型的泛化能力。
语法
import imgaug.augmenters as iaa
# 将2%到10%的像素用原图大小2%到5%的黑色方块覆盖
aug = iaa.CoarseDropout(p=(0.02, 0.1), size_percent=(0.02, 0.05))
-
p: 定义为图像中有多少比例的像素被黑色方块覆盖。。- 若
p为浮点数，则图像中被黑色方块覆盖的区域占整个图像的比例为p； - 若
p为元组(a, b)，则图像中被黑色方块覆盖的区域占整个图像的比例为从区间[a, b]中采样的随机数； - 若
p为列表，则图像中被黑色方块覆盖的区域占整个图像的比例为从列表中随机采样的数；
- 若
-
size_percent: 定义每个黑色方块的大小。- 若
size_percent为浮点数0.02，则每个黑色方块大小为(1/size_percent,1/size_percent), 即(50, 50)； - 若
size_percent为元组(a, b)，则每个黑色方块大小为(1/size,1/size),size为从区间[a, b]中采样的随机数； - 若
size_percent为列表，则每个黑色方块大小为(1/size,1/size),size为从列表中随机采样的数；
- 若
示例代码
- 使用不同的
p
import cv2
import imgaug.augmenters as iaa
import matplotlib.pyplot as plt# 读取图像
img_path = r"D:\python_project\lena.png"
img = cv2.imread(img_path)
image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)# 创建数据增强器
# 将20%的像素用大小为(50, 50)的黑色方块覆盖(1/0.02=50)
aug1 = iaa.CoarseDropout(p=0.2, size_percent=0.02)
# 将40%的像素用大小为(50, 50)的黑色方块覆盖(1/0.02=50)
aug2 = iaa.CoarseDropout(p=0.4, size_percent=0.02)
# 将60%的像素用大小为(50, 50)的黑色方块覆盖(1/0.02=50)
aug3 = iaa.CoarseDropout(p=0.6, size_percent=0.02)# 对图像进行数据增强
blurred_image1 = aug1(image=image)
blurred_image2 = aug2(image=image)
blurred_image3 = aug3(image=image)# 展示原始图像和数据增强后的图像
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
axes[0][0].imshow(image)
axes[0][0].set_title("Original Image")
axes[0][1].imshow(blurred_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(blurred_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(blurred_image3)
axes[1][1].set_title("Augmented Image3")
plt.show()
运行结果如下：
可以从图1看到：
- 当
p越大时, 数据增强后的新图像会出现更多个大小为(50, 50)的黑色方块。
- 使用不同的
size_percent
import cv2
import imgaug.augmenters as iaa
import matplotlib.pyplot as plt# 读取图像
img_path = r"D:\python_project\lena.png"
img = cv2.imread(img_path)
image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)# 创建数据增强器
# 将20%的像素用大小为(50, 50)的黑色方块覆盖(1/0.02=50)
aug1 = iaa.CoarseDropout(p=0.2, size_percent=0.02)
# 将20%的像素用大小为(25, 25)的黑色方块覆盖(1/0.04=25)
aug2 = iaa.CoarseDropout(p=0.2, size_percent=0.04)
# 将20%的像素用大小为(10, 10)的黑色方块覆盖(1/0.1=10)
aug3 = iaa.CoarseDropout(p=0.2, size_percent=0.1)# 对图像进行数据增强
blurred_image1 = aug1(image=image)
blurred_image2 = aug2(image=image)
blurred_image3 = aug3(image=image)# 展示原始图像和数据增强后的图像
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
axes[0][0].imshow(image)
axes[0][0].set_title("Original Image")
axes[0][1].imshow(blurred_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(blurred_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(blurred_image3)
axes[1][1].set_title("Augmented Image3")
plt.show()
运行结果如下：
可以从图2看到：
- 当
size_percent=0.02时，黑色方块大小为(50, 50)。 - 当
size_percent=0.04时，黑色方块大小为(25, 25)。 - 当
size_percent=0.1时，黑色方块大小为(10, 10)。
注意事项
- 丢弃概率和区域大小：
p和size_percent参数共同决定了黑色方块(丢弃区域)的数量和大小。较大的p可能导致更多的区域被丢弃。这些参数需要根据你的应用进行适当调整。 - 与其他增强器的结合使用：可以与其他图像增强方法结合使用，以获得更丰富的效果。例如，可以先应用模糊，然后再应用粗略丢弃。
- 结果的可重复性：每次应用增强器可能会产生稍微不同的结果，因为它是随机的操作。为了确保结果的可重复性，可以使用
aug.to_deterministic()方法将增强器转换为确定性状态。
总结
iaa.CoarseDropout作为一项图像增强技术，凭借其独特功能，为模型泛化能力的提升开辟了新途径。在神经网络训练过程中，它发挥关键作用，有效避免模型对训练数据中的噪声或特定模式的过度依赖。为了实现最佳效果，用户需审慎调整相关参数，如丢弃概率和区域大小。与其他图像增强方法协同运用，其效用更显卓越。请注意，由于此方法涉及随机过程，每次应用可能产生不同的结果。因此，在测试和评估模型时，务必确保使用一致的增强流程，以维持结果的稳定性。
小结
imgaug是一个强大的图像增强库，它可以帮助你创建出丰富多样的训练数据，从而改进你的深度学习模型的性能。通过定制变换序列和参数，你可以轻松地适应各种应用场景，从计算机视觉到医学影像分析。随着深度学习的发展，imgaug在未来将继续发挥重要作用。因此，将imgaug纳入你的数据增强工具箱是一个明智的选择。
参考链接
结尾
亲爱的读者，首先感谢您抽出宝贵的时间来阅读我们的博客。我们真诚地欢迎您留下评论和意见，因为这对我们来说意义非凡。
俗话说，当局者迷，旁观者清。您的客观视角对于我们发现博文的不足、提升内容质量起着不可替代的作用。
如果您觉得我们的博文给您带来了启发，那么，希望您能为我们点个免费的赞/关注，您的支持和鼓励是我们持续创作的动力。
请放心，我们会持续努力创作，并不断优化博文质量，只为给您带来更佳的阅读体验。
再次感谢您的阅读，愿我们共同成长，共享智慧的果实！
这篇关于imgaug库指南（18）：从入门到精通的【图像增强】之旅的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
