imgaug库指南(六):从入门到精通的【图像增强】之旅

2024-01-07 17:33:56

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(一):从入门到精通的【图像增强】之旅介绍了imgaug库的主要功能、安装方式、提供一个简单的数据增强示例(针对一副图像)
imgaug库指南(二):从入门到精通的【图像增强】之旅介绍了如何利用imgaug库对批量图像进行数据增强并可视化
imgaug库指南(三):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 —— 高斯模糊
imgaug库指南(四):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 —— 均值模糊
imgaug库指南(五):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 —— 中值模糊/滤波,并介绍了如何利用【中值滤波】过滤椒盐噪声

在本博客中,我们将向您详细介绍imgaug库的数据增强方法 —— 双边模糊/滤波


双边模糊/滤波(BilateralBlur)

功能介绍

iaa.BilateralBlurimgaug库中的一个方法,用于对图像进行双边模糊。双边模糊是一种特殊的模糊技术,它在模糊图像的同时考虑了像素的空间信息和灰度值信息。这意味着双边模糊可以更好地保护图像的边缘和细节,同时去除噪声。

语法

import imgaug.augmenters as iaa
aug = iaa.BilateralBlur(
    d=(3, 10), sigma_color=(10, 250), sigma_space=(10, 250))
  • d: 滤波过程中每个像素邻域的直径;

    • d为整数,则每个像素邻域的直径为d;
    • d为包含两个整数的元组 (a, b),直径将从 [a…b] 区间中随机采样;
  • sigma_space: 控制模糊程度的空间标准差。较大的值会导致更强的模糊效果。

    • sigma_space为整数,则空间标准差为sigma_space
    • sigma_space为包含两个整数的元组 (a, b),空间标准差将从 [a…b] 区间中随机采样;
  • sigma_color: 控制模糊程度的颜色标准差。较大的值会导致更强的模糊效果。

    • sigma_color为整数,则空间标准差为sigma_color
    • sigma_color为包含两个整数的元组 (a, b),空间标准差将从 [a…b] 区间中随机采样;

示例代码

  1. 使用不同标准差参数
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)


# 创建双边模糊增强器
aug1 = iaa.BilateralBlur(d=7, sigma_color=50, sigma_space=50)
aug2 = iaa.BilateralBlur(d=7, sigma_color=150, sigma_space=150)
aug3 = iaa.BilateralBlur(d=7, sigma_color=200, sigma_space=200)


# 对图像进行双边模糊处理
blurred_image1 = aug1(image=image)
blurred_image2 = aug2(image=image)
blurred_image3 = aug3(image=image)

# 展示原始图像和模糊后的图像
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("Blurred Image1")
axes[1][0].imshow(blurred_image2)
axes[1][0].set_title("Blurred Image2")
axes[1][1].imshow(blurred_image3)
axes[1][1].set_title("Blurred Image3")
plt.show()

运行结果如下:

图1 原图及中值模糊/滤波结果可视化

注意事项:

  1. 性能考虑:双边模糊是一种相对较耗时的操作。因此,在处理大图像或视频时,需要考虑到计算资源的需求。
  2. 结果的可重复性:由于双边模糊是非线性操作,每次应用可能会产生稍微不同的结果。如果你需要结果的可重复性,可以使用aug.to_deterministic()方法将增强器转换为确定性状态。

总结

iaa.BilateralBlurimgaug库中的一个非常有用的数据增强方法。它是一种非线性的滤波方法,结合了图像的空间邻近度和像素值相似度,旨在达到保边去噪的目的。双边滤波器的好处是可以做边缘保存,它能够有效地将影像上的噪声去除,同时保存影像上的边缘信息。具体来说,双边滤波器在平滑图像的同时,能更好地保留图像中的边缘信息,对于高频细节的保护效果也优于传统的滤波器。然而,双边滤波器对于彩色图像里的高频噪声的处理效果并不理想,可能会保留过多的高频信息。


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。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,只为给带来更佳的阅读体验。
再次感谢的阅读,愿我们共同成长,共享智慧的果实!

文章来源:https://blog.csdn.net/qq_41813454/article/details/135433721
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。