参考博主https://blog.csdn.net/weixin_43042683/article/details/125749894
首先给大家推荐一个数据增强的项目：
https://github.com/aleju/imgaug
下载这个项目，但是如果只做简单的数据增强，我们可以只将项目中imgaug/augmenters文件拿出来，放在一个新的项目中作为根路径。

1.导包

pip install imgaug

from imgaug import augmenters as iaa

在导这个包时可能会报错，原因就是得把augmenters 这个文件夹单独拿出来作为根目录。

2.简单示例

#!usr/bin/python
# -*- coding: utf-8 -*-
import cv2
from imgaug import augmenters as iaa# imgaug test
seq = iaa.Sequential([iaa.Crop(px=(0, 16)),  # 从每侧裁剪图像0到16px（随机选择）iaa.Fliplr(0.5),  # 水平翻转图像iaa.GaussianBlur(sigma=(0, 3.0))  # 使用0到3.0的sigma模糊图像
])imglist = []
img = cv2.imread('1.jpg')
imglist.append(img)
images_aug = seq.augment_images(imglist)
cv2.imwrite("2.jpg", images_aug[0])

结果展示：

3.批量处理

import numpy as np
import imgaug as ia
import imgaug.augmenters as iaa
import cv2
import os#Sometimes（0.5，…）在50%的情况下应用给定的增强器，
#例如，Sometimes（0.5，GaussianBlur（0.3））大约每秒都会模糊图像。
sometimes = lambda aug: iaa.Sometimes(0.5, aug)#定义将应用于每个图像的增强步骤序列。
seq = iaa.Sequential([##将以下增强器应用于大多数图像。#iaa.Fliplr(0.5), # 水平翻转所有图像的50%iaa.Flipud(0.2), # 垂直翻转所有图像的20%# 将部分图像裁剪为其高度/宽度的0-10%sometimes(iaa.Crop(percent=(0, 0.1))),# 对某些图像应用仿射变换# -缩放到图像高度/宽度的80-120%（每个轴独立）# -相对于高度/宽度（每轴）平移-20到+20# -旋转-45到+45度# -剪切-16至+16度# -顺序：使用最近邻或双线性插值（fast）# -模式：使用任何可用模式填充新创建的像素#         请参阅API或scikit图像，了解哪些模式可用# - -cval：如果模式恒定，则使用随机亮度对于新创建的像素（例如，有时为黑色，有时为白色）sometimes(iaa.Affine(scale={"x": (0.8, 1.2), "y": (0.8, 1.2)},translate_percent={"x": (-0.2, 0.2), "y": (-0.2, 0.2)},rotate=(-45, 45),shear=(-16, 16),order=[0, 1],cval=(0, 255),mode=ia.ALL)),## 每个图像执行以下0到5个（不太重要）增强器。不要全部执行，因为这通常会太过强烈。#iaa.SomeOf((0, 5),[# 将一些图像转换为其超像素表示，每个图像采样20到200个超像素，# 但不要用其平均值替换所有超像素，只替换其中的一些（p_replace）。sometimes(iaa.Superpixels(p_replace=(0, 1.0),n_segments=(20, 200))),#使用不同的强度模糊每个图像#高斯模糊（sigma介于0和3.0之间）#平均/均匀模糊（内核大小在2x2和7x7之间）#中值模糊（内核大小在3x3和11x11之间）。iaa.OneOf([iaa.GaussianBlur((0, 3.0)),iaa.AverageBlur(k=(2, 7)),iaa.MedianBlur(k=(3, 11)),]),# 锐化每个图像，使用介于0（无锐化）和1（完全锐化效果）之间的alpha将结果与原始图像覆盖。iaa.Sharpen(alpha=(0, 1.0), lightness=(0.75, 1.5)),# 与锐化相同，但用于浮雕效果。iaa.Emboss(alpha=(0, 1.0), strength=(0, 2.0)),# 在某些图像中搜索所有边缘或定向边缘。# 然后在黑白图像中标记这些边缘，并使用0到0.7的alpha与原始图像叠加。sometimes(iaa.OneOf([iaa.EdgeDetect(alpha=(0, 0.7)),iaa.DirectedEdgeDetect(alpha=(0, 0.7), direction=(0.0, 1.0)),])),# 在一些图像中添加高斯噪声。在其中50%的情况下，噪声是按通道和像素随机采样的。# 在其他50%的情况下，每像素采样一次（即亮度变化）。iaa.AdditiveGaussianNoise(loc=0, scale=(0.0, 0.05*255), per_channel=0.5),# 要么随机删除所有像素的1%到10%（即将其设置为黑色），# 要么将其放置在原始大小的2%到5%的图像上，从而导致大矩形的删除。iaa.OneOf([iaa.Dropout((0.01, 0.1), per_channel=0.5),iaa.CoarseDropout((0.03, 0.15), size_percent=(0.02, 0.05),per_channel=0.2),]),# 以5%的概率反转每个图像的通道# 这将每个像素值设置为255-viaa.Invert(0.05, per_channel=True), # 反转颜色通道# 为每个像素添加-10到10的值。iaa.Add((-10, 10), per_channel=0.5),# 更改图像亮度（原始值的50-150%）。iaa.Multiply((0.5, 1.5), per_channel=0.5),# 改善或恶化图像的对比度。iaa.LinearContrast((0.5, 2.0), per_channel=0.5),#将每个图像转换为灰度，然后用随机alpha将结果与原始图像叠加。去除不同强度的颜色。iaa.Grayscale(alpha=(0.0, 1.0)),# 在某些图像中，局部移动像素（具有随机强度）。sometimes(iaa.ElasticTransformation(alpha=(0.5, 3.5), sigma=0.25)),# 在一些图像中，局部区域的扭曲程度不同。sometimes(iaa.PiecewiseAffine(scale=(0.01, 0.05)))],# 按随机顺序执行上述所有增强random_order=True)],# 按随机顺序执行上述所有增强random_order=True
)# 图片文件相关路径
path = 'before/'
savedpath = 'after/'imglist = []
filelist = os.listdir(path)# 遍历要增强的文件夹，把所有的图片保存在imglist中
for item in filelist:img = cv2.imread(path + item)# print('item is ',item)# print('img is ',img)# images = load_batch(batch_idx)imglist.append(img)
# print('imglist is ' ,imglist)
print('all the picture have been appent to imglist')# 对文件夹中的图片进行增强操作，循环100次
for count in range(100):images_aug = seq.augment_images(imglist)for index in range(len(images_aug)):filename = str(count) + str(index) + '.jpg'# 保存图片cv2.imwrite(savedpath + filename, images_aug[index])print('image of count%s index%s has been writen' % (count, index))

结果展示：

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！