今天就单图像（分类所需）的图像数据增强进行简要的介绍。用到工具是

图像的数据增强-方法一

方法一采用ImageDataGenerator增强方法，待增强的图像放在同一个文件夹内，如下图这样，就是我们即将要增强的图像（温馨提示：请关注知识，不要多看图，哈哈哈···）

深度学习中数据的重要性是不言而喻的，而数据的缺乏与大数据之间的矛盾就显得尤为突出。此时，数据增强就显得尤为必要，优势在各个论文中也得到了较好的体现，这里就不做太多的描述了，直接看ImageDataGenerator对单图像的增强

<code>from keras.preprocessing.image import ImageDataGeneratorpath = D:/image  # 类别子文件夹的上一级dst_path =D:/image_gen# 　图片生成器datagen = ImageDataGenerator(    rotation_range=5,    width_shift_range=0.02,    height_shift_range=0.02,    shear_range=0.02,    horizontal_flip=True,    vertical_flip=True)gen = datagen.flow_from_directory(    path,    target_size=(512, 512),    batch_size=30,    save_to_dir=dst_path,  # 生成后的图像保存路径    save_prefix=xx,    save_format=jpg)for i in range(15):    gen.next()/<code>

注意：待增强的图像放在image文件夹下的子文件夹下，例如，待增强图片在文件夹flower内，则此事flower的文件夹是image的子文件夹，这里多进行尝试就好。

增强后的图像，如下所示，增强的方式在ImageDataGenerator内进行定义，此处剖砖引玉的简述几个，更多的方法还需要根据你的应用来确定，建议查询官网介绍的增强方式。

最后，还是上面那句话，自己需要哪些变换，可以自行对ImageDataGenerator内容就行查询修改，这里不赘述，我们看下一个方法，更高效。

图像的数据增强-方法二

有了方法一的铺垫，方法二就简单了很多了。方法二采用的Augmentor的方法，简单粗暴，原图是这样的：

简单的几句代码，就能够实现许许多多的增强结果

<code>import Augmentor# 待增强图像放在test文件夹下即可# 会自动的创建output文件，用于保存增强后的图像p=Augmentor.Pipeline("./test")# 增强的方式，逆时针随机旋转90度（随机概率可自行设定）p.rotate90(probability=0.5)p.skew_corner(probability=0.7,magnitude=1)# 增强的个数p.sample(20)/<code>

来看下增强后的结果，代码中的注释部分很详细，主要是做了这几件事情：

1. 导入库，确定待增强图像所在的位置
2. 确定增强的方式
3. 增强的个数

更加多样的增强方式和数量可以自行增加，包含许多用于标准图像处理功能的类，例如Rotate 旋转类、Crop 裁剪类等等。包含的操作有：旋转rotate、裁剪crop、透视perspective skewing、shearing、弹性形变Elastic Distortions、亮度、对比度、颜色等等。

更多方式及参数设定，可以点击这里：https://augmentor.readthedocs.io/en/master/code.html（美女都被拉变形了，罪恶啊罪恶）

Github地址：https://github.com/mdbloice/Augmentor

之后也会持续的关注一些图像增强的第三方好库，也会都更新到这里，持续关注，收藏哦！！！

閱讀更多 錢多多先森 的文章

關鍵字: 增强 GitHub 图像处理