Python：图像数据增强和保存

Python：图像数据增强和保存

code 参考博客链接：https://blog.csdn.net/qq_36756866/article/details/108255715

在进行模型分析处理的时候，数据量不够的情况下，会使用数据增强的方式来扩充数据。数据增强的方式有：裁剪、镜像图片翻转、增加噪声等。需要注意的是数据增强后不应该影响 数据的标签。比如，数字识别时的 9 和 6 旋转后，会改变标签，影响数据。

demo：完成的功能包括

• 数据增强的几种实现方式：添加噪声、旋转、变亮

• 数据增强后的图像保存在一个新的文件名字。如下图所示：

# -*- coding: utf-8 -*-

import cv2
import numpy as np
import os
import os.path
import copy

# 椒盐噪声
def SaltAndPepper(src,percetage):
    SP_NoiseImg=src.copy()
    SP_NoiseNum=int(percetage*src.shape[0]*src.shape[1])
    for i in range(SP_NoiseNum):
        randR=np.random.randint(0,src.shape[0]-1)
        randG=np.random.randint(0,src.shape[1]-1)
        randB=np.random.randint(0,3)
        if np.random.randint(0,1)==0:
            SP_NoiseImg[randR,randG,randB]=0
        else:
            SP_NoiseImg[randR,randG,randB]=255
    return SP_NoiseImg

# 高斯噪声
def addGaussianNoise(image,percetage):
    G_Noiseimg = image.copy()
    w = image.shape[1]
    h = image.shape[0]
    G_NoiseNum=int(percetage*image.shape[0]*image.shape[1])
    for i in range(G_NoiseNum):
        temp_x = np.random.randint(0,h)
        temp_y = np.random.randint(0,w)
        G_Noiseimg[temp_x][temp_y][np.random.randint(3)] = np.random.randn(1)[0]
    return G_Noiseimg

# 昏暗
def darker(image,percetage=0.9):
    image_copy = image.copy()
    w = image.shape[1]
    h = image.shape[0]
    #get darker
    for xi in range(0,w):
        for xj in range(0,h):
            image_copy[xj,xi,0] = int(image[xj,xi,0]*percetage)
            image_copy[xj,xi,1] = int(image[xj,xi,1]*percetage)
            image_copy[xj,xi,2] = int(image[xj,xi,2]*percetage)
    return image_copy

# 亮度
def brighter(image, percetage=1.5):
    image_copy = image.copy()
    w = image.shape[1]
    h = image.shape[0]
    #get brighter
    for xi in range(0,w):
        for xj in range(0,h):
            image_copy[xj,xi,0] = np.clip(int(image[xj,xi,0]*percetage),a_max=255,a_min=0)
            image_copy[xj,xi,1] = np.clip(int(image[xj,xi,1]*percetage),a_max=255,a_min=0)
            image_copy[xj,xi,2] = np.clip(int(image[xj,xi,2]*percetage),a_max=255,a_min=0)
    return image_copy

# 旋转
def rotate(image, angle, center=None, scale=1.0):
    (h, w) = image.shape[:2]
    # If no rotation center is specified, the center of the image is set as the rotation center
    if center is None:
        center = (w / 2, h / 2)
    m = cv2.getRotationMatrix2D(center, angle, scale)
    rotated = cv2.warpAffine(image, m, (w, h))
    return rotated

# 翻转
def flip(image):
    flipped_image = np.fliplr(image)
    return flipped_image

"""
# 注释中的图片 数据增强直接放在了当前文件夹下，没有进行创建新的文件夹去保存
for img_name in os.listdir(file_dir):
    #img_path = file_dir + img_name
    img_path = file_dir + '/' + img_name
    img = cv2.imread(img_path)
    # cv2.imshow("1",img)
    # cv2.waitKey(5000)
    # 旋转
    rotated_90 = rotate(img, 90)
    cv2.imwrite(file_dir + img_name[0:-4] + '_r90.jpg', rotated_90)
    rotated_180 = rotate(img, 180)
    cv2.imwrite(file_dir + img_name[0:-4] + '_r180.jpg', rotated_180)

for img_name in os.listdir(file_dir):
    #img_path = file_dir + img_name
    img_path = file_dir + '/' + img_name
    img = cv2.imread(img_path)
    # 镜像
    flipped_img = flip(img)
    cv2.imwrite(file_dir +img_name[0:-4] + '_fli.jpg', flipped_img)

    # 增加噪声
    # img_salt = SaltAndPepper(img, 0.3)
    # cv2.imwrite(file_dir + img_name[0:7] + '_salt.jpg', img_salt)
    img_gauss = addGaussianNoise(img, 0.3)
    cv2.imwrite(file_dir + img_name[0:-4] + '_noise.jpg',img_gauss)

    #变亮、变暗
    img_darker = darker(img)
    cv2.imwrite(file_dir + img_name[0:-4] + '_darker.jpg', img_darker)
    img_brighter = brighter(img)
    cv2.imwrite(file_dir + img_name[0:-4] + '_brighter.jpg', img_brighter)

    blur = cv2.GaussianBlur(img, (7, 7), 1.5)
    #      cv2.GaussianBlur(图像，卷积核，标准差）
    cv2.imwrite(file_dir + img_name[0:-4] + '_blur.jpg',blur)
"""

def mkdir(path):
	folder = os.path.exists(path)
	if not folder:                   #判断是否存在文件夹如果不存在则创建为文件夹
		os.makedirs(path)            #makedirs 创建文件时如果路径不存在会创建这个路径
		print("---  OK  ---")
	else:
		print("---  There is this folder!  ---")


# 数据增强：图片翻转
def FigRotated(path):
    filelist = os.listdir(path) # 获取指定的文件夹包含的文件或文件夹的名字的列表
    print(filelist)
    total_num = len(filelist) #获取文件夹内所有文件个数
    
    c = 0 # 想看总共 重命名了多少张图片
    
    for files in filelist:
        figsPath = path + files + '/visual'  #原来的视觉路径信息
        figures = os.listdir(figsPath) #原先视觉文件夹中的所有图片
        
        total_figure = len(figures)
        
        
        for fig in figures:
            # 想要去新建文件夹: 关于数据增强是翻转的，让其添加 rotated 
            #对原数据的文件夹切割，主要就是为了便于获取标签和文件夹名字
            yearMonthDate, Hour, minute, label = files.split("-")
            yearNewFileName = yearMonthDate + "rotated90" #翻转90
            #新的保存数据增强的视觉 文件夹名称
            filesNew = yearNewFileName + "-" + Hour + "-" + minute + "-" + label  
            #新的保存数据增强的视觉 文件夹具体位置：'jiaodai_2_test/20211201rotated90-11-26-2/visual'
            figsPathNew = path + filesNew + '/visual'   
            mkdir(figsPathNew)
            
            
            fig_path = figsPath + '/' + fig # 单个图片的完整表示，包括路径，如：'20211124-10-23-1/visual/0.jpg'
            img = cv2.imread(fig_path)  # img表示一张图片的具体信息。
            rotated_90 = rotate(img, 90) # rotated_90表示一张图片进行数据增强后的信息
            #cv2.imwrite(os.path.join(figsPathNew , fig[0:-4] + '.jpg'),  rotated_90) # 保存图片到指定文件夹中
            cv2.imwrite(os.path.join(figsPathNew , fig[0:-4] + '.jpg'),  rotated_90)
            print("我是不是快成功了呀？")
    print("ye ！！！")


if __name__ == '__main__':
    path = 'jiaodai_2_test/'
    FigRotated(path)

我们将数据增强后的图片信息，名字依旧和原数据的图片名字相同。如0.jpg 1.jpg所示。

• 那么在保存新的图像到新的文件夹中时，获取0.jpg 或者120.jpg的图片名字，采用 fig[0:-4] 去获取图片的前缀信息，即名字。

• 保存的新的文件夹：figsPathNew 。新建的文件夹名称 figsPathNew = path + filesNew + ‘/visual’ 。

  mkdir(figsPathNew) 去创建文件夹，文件夹存在的话，就不用新建了。

• 保存图片到指定的文件夹：

  cv2.imwrite(os.path.join(figsPathNew , fig[0:-4] + ‘.jpg’), rotated_90) # 保存图片到指定文件夹中

结果：

对这个文件夹 jiaodai_2_test 下的所有文件夹的图像完成 数据增强（翻转90°），结果保存在新的文件夹中：

原来的图片：

数据增强：翻转90° 后的：