人工智能 python TensorFlow2实战-系列教程4：数据增强

李TensorFlow2实战-系列教程 总目录

有任何问题欢迎在下面留言 本篇文章的代码运行界面均在Jupyter Notebook中进行 本篇文章配套的代码资源已经上传

猫狗识别1 数据增强 猫狗识别2------数据增强 猫狗识别3------迁移学习

对于图像数据，将其进行翻转、放缩、平移、旋转操作就可以得到一组新的数据：

1、展示输入输出

import matplotlib.pyplot as plt

from PIL import Image

%matplotlib inline

from keras.preprocessing import image

import keras.backend as K

import os

import glob

import numpy as np

def print_result(path):

name_list = glob.glob(path)

fig = plt.figure(figsize=(12,16))

for i in range(3):

img = Image.open(name_list[i])

sub_img = fig.add_subplot(131+i)

sub_img.imshow(img)

img_path = './img/superman/*'

in_path = './img/'

out_path = './output/'

name_list = glob.glob(img_path)

print(name_list)

print_result(img_path)

img_path 就是存放3张图像数据的路径，in_path 、out_path 暂时没用到name_list 查看一下三张数据的路径字符信息print_result就是一个专门用来打印3张图像的函数

打印结果：

[‘./img/superman\00000008.jpg’, ‘./img/superman\00000009.jpg’, ‘./img/superman\00000010.jpg’]

2、调整图像大小

datagen = image.ImageDataGenerator()

gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'resize',

save_prefix='gen', target_size=(224, 224))

创建一个数据增强的实例指定参数加载图像数据save_to_dir=out_path+‘resize’，用到了前面的输出路径指定了target_size参数后图像都会被重置成这个尺寸

for i in range(3):

gen_data.next()

print_result(out_path+'resize/*')

从数据生成器中获取数据，将图像打印出来 打印结果：

3、旋转图像

datagen = image.ImageDataGenerator(rotation_range=45)

gen = image.ImageDataGenerator()

data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))

np_data = np.concatenate([data.next() for i in range(data.n)])

datagen.fit(np_data)

gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'rotation_range',save_prefix='gen', target_size=(224, 224))

for i in range(3):

gen_data.next()

print_result(out_path+'rotation_range/*')

创建一个旋转的数据增强实例，创建一个数据增强实例，实际上就是直接加载数据将加载的图像数据重置尺寸将重置尺寸的图像转换成ndarray格式将旋转数据增强应用到重置尺寸的图像数据中使用数据增强生成器重新从目录加载数据保存加载的数据使用for循环：生成并处理三个图像，由于设置了 save_to_dir，这些图像将被保存。打印三个图像

打印结果：

Found 3 images belonging to 1 classes. Found 3 images belonging to 1 classes.

4、平移变换

datagen = image.ImageDataGenerator(width_shift_range=0.3,height_shift_range=0.3)

gen = image.ImageDataGenerator()

data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))

np_data = np.concatenate([data.next() for i in range(data.n)])

datagen.fit(np_data)

gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'shift',save_prefix='gen', target_size=(224, 224))

for i in range(3):

gen_data.next()

print_result(out_path+'shift/*')

与3中不同的是，这段代码是进行平移变换进行数据增强，指定了平移变换的参数，width_shift_range=0.3，height_shift_range=0.3，这两个参数分别表示会在水平方向和垂直方向±30%的范围内随机移动

打印结果：

Found 3 images belonging to 1 classes. Found 3 images belonging to 1 classes.

datagen = image.ImageDataGenerator(width_shift_range=-0.3,height_shift_range=0.3)

gen = image.ImageDataGenerator()

data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))

np_data = np.concatenate([data.next() for i in range(data.n)])

datagen.fit(np_data)

gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'shift2',save_prefix='gen', target_size=(224, 224))

for i in range(3):

gen_data.next()

print_result(out_path+'shift2/*')

由于是随机的，这两段代码完全一样，但是结果却不同 打印结果：

Found 3 images belonging to 1 classes. Found 3 images belonging to 1 classes.

5、缩放

datagen = image.ImageDataGenerator(zoom_range=0.5)

gen = image.ImageDataGenerator()

data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))

np_data = np.concatenate([data.next() for i in range(data.n)])

datagen.fit(np_data)

gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'zoom',save_prefix='gen', target_size=(224, 224))

for i in range(3):

gen_data.next()

print_result(out_path+'zoom/*')

这段代码与3中不同的就是，这里指定缩放参数来进行缩放数据增强 打印结果：

Found 3 images belonging to 1 classes. Found 3 images belonging to 1 classes.

6、channel_shift

datagen = image.ImageDataGenerator(channel_shift_range=15)

gen = image.ImageDataGenerator()

data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))

np_data = np.concatenate([data.next() for i in range(data.n)])

datagen.fit(np_data)

gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'channel',save_prefix='gen', target_size=(224, 224))

for i in range(3):

gen_data.next()

print_result(out_path+'channel/*')

这段代码与3中不同的就是，这里指定通道偏移参数来进行通道偏移数据增强 打印结果：

Found 3 images belonging to 1 classes. Found 3 images belonging to 1 classes.

7、水平翻转

datagen = image.ImageDataGenerator(horizontal_flip=True)

gen = image.ImageDataGenerator()

data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))

np_data = np.concatenate([data.next() for i in range(data.n)])

datagen.fit(np_data)

gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'horizontal',save_prefix='gen', target_size=(224, 224))

for i in range(3):

gen_data.next()

print_result(out_path+'horizontal/*')

这段代码与3中不同的就是，这里指定水平翻转参数来进行水平翻转数据增强

8、rescale重新缩放

datagen = image.ImageDataGenerator(rescale= 1/255)

gen = image.ImageDataGenerator()

data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))

np_data = np.concatenate([data.next() for i in range(data.n)])

datagen.fit(np_data)

gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'rescale',save_prefix='gen', target_size=(224, 224))

for i in range(3):

gen_data.next()

print_result(out_path+'rescale/*')

这段代码与3中不同的就是，这里指定rescale重新缩放参数来进行rescale重新缩放数据增强 通常用于归一化图像数据。将图像像素值从 [0, 255] 缩放到 [0, 1] 范围，有助于模型的训练

9、填充方法

‘constant’: kkkkkkkk|abcd|kkkkkkkk (cval=k)‘nearest’: aaaaaaaa|abcd|dddddddd‘reflect’: abcddcba|abcd|dcbaabcd‘wrap’: abcdabcd|abcd|abcdabcd

datagen = image.ImageDataGenerator(fill_mode='wrap', zoom_range=[4, 4])

gen = image.ImageDataGenerator()

data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))

np_data = np.concatenate([data.next() for i in range(data.n)])

datagen.fit(np_data)

gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'fill_mode',save_prefix='gen', target_size=(224, 224))

for i in range(3):

gen_data.next()

print_result(out_path+'fill_mode/*')

fill_mode='wrap'：当应用几何变换后，图像中可能会出现一些新的空白区域。fill_mode 定义了如何填充这些空白区域。在这种情况下，使用 'wrap' 模式，意味着空白区域将用图像边缘的像素“包裹”填充。zoom_range=[4, 4]：这设置了图像缩放的范围。在这里，它被设置为在 4 倍范围内进行随机缩放。由于最小和最大缩放因子相同，这将导致所有图像都被放大 4 倍

用原图像填充，任何超出原始图像边界的区域将被图像的对边界像素填充

datagen = image.ImageDataGenerator(fill_mode='nearest', zoom_range=[4, 4])

gen = image.ImageDataGenerator()

data = gen.flow_from_directory(in_path, batch_size=1, class_mode=None, shuffle=True, target_size=(224, 224))

np_data = np.concatenate([data.next() for i in range(data.n)])

datagen.fit(np_data)

gen_data = datagen.flow_from_directory(in_path, batch_size=1, shuffle=False, save_to_dir=out_path+'nearest',save_prefix='gen', target_size=(224, 224))

for i in range(3):

gen_data.next()

print_result(out_path+'nearest/*')

使用最近点填充，每个空白区域的像素将取其最近的非空白区域的像素值

猫狗识别1 数据增强 猫狗识别2------数据增强 猫狗识别3------迁移学习

好文链接

 您阅读本篇文章共花了：