python图像数据增强——imgaug （一）

### Python 图像数据增强代码示例 #### 使用 OpenCV 进行图像增强 通过 `cv2` 库可以轻松实现多种基本的图像增强功能。下面是一个简单的例子，展示了如何调整亮度和对比度： ```python import cv2 import numpy as np def adjust_brightness_contrast(image, brightness=0., contrast=0.): """ 调整给定图片的亮度和对比度 参数: image (numpy.ndarray): 输入图像. brightness (float): 亮度调节参数 (-1 to 1). contrast (float): 对比度调节参数 (-1 to 1). 返回: numpy.ndarray: 处理后的图像. """ if brightness != 0: if brightness > 0: shadow = brightness highlight = 255 else: shadow = 0 highlight = 255 + brightness alpha_b = (highlight - shadow)/255 gamma_b = shadow buf = cv2.addWeighted(image, alpha_b, image, 0, gamma_b) else: buf = image.copy() if contrast != 0: f = 131*(contrast + 127)/(127*(131-contrast)) alpha_c = f gamma_c = 127*(1-f) buf = cv2.addWeighted(buf, alpha_c, buf, 0, gamma_c) return buf image_path = 'path_to_image.jpg' original_img = cv2.imread(image_path) adjusted_img = adjust_brightness_contrast(original_img, brightness=-50, contrast=64) # 显示原图与处理过的图像 cv2.imshow('Original Image', original_img) cv2.imshow('Adjusted Image', adjusted_img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 此段代码实现了对输入图像的亮度和对比度调整[^1]。 #### 利用 ImgAug 实现复杂的数据增强 对于更加复杂的变换需求，则推荐使用专门设计用于机器学习任务中的图像预处理工具——ImgAug。这里给出一段利用 ImgAug 执行一系列随机化转换的例子： ```python from imgaug import augmenters as iaa import matplotlib.pyplot as plt # 定义序列化的增强操作列表 seq = iaa.Sequential([ iaa.Crop(px=(0, 16)), # 随机裁剪 iaa.Fliplr(0.5), # 水平翻转的概率设为50% iaa.GaussianBlur(sigma=(0, 3.0)) # 添加不同程度的高斯噪声 ]) images = [...] # 加载一批待增强的图像数组 images_augmented = seq(images=images) # 应用上述定义的操作集 fig, axs = plt.subplots(nrows=2, ncols=len(images)//2, figsize=(12, 6)) for idx, ax in enumerate(axs.flat): ax.imshow(cv2.cvtColor(images[idx], cv2.COLOR_BGR2RGB)) plt.show() fig, axs = plt.subplots(nrows=2, ncols=len(images)//2, figsize=(12, 6)) for idx, ax in enumerate(axs.flat): ax.imshow(cv2.cvtColor(images_augmented[idx], cv2.COLOR_BGR2RGB)) plt.show() ``` 这段脚本不仅完成了常见的几何变形（如裁切、镜像），还加入了模糊效应来模拟现实世界条件下的变化[^3]。