今天就單圖像（分類所需）的圖像數據增強進行簡要的介紹。用到工具是

圖像的數據增強-方法一

方法一採用ImageDataGenerator增強方法，待增強的圖像放在同一個文件夾內，如下圖這樣，就是我們即將要增強的圖像（溫馨提示：請關注知識，不要多看圖，哈哈哈···）

深度學習中數據的重要性是不言而喻的，而數據的缺乏與大數據之間的矛盾就顯得尤為突出。此時，數據增強就顯得尤為必要，優勢在各個論文中也得到了較好的體現，這裡就不做太多的描述了，直接看ImageDataGenerator對單圖像的增強

<code>from keras.preprocessing.image import ImageDataGeneratorpath = D:/image  # 類別子文件夾的上一級dst_path =D:/image_gen# 　圖片生成器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,  # 生成後的圖像保存路徑    save_prefix=xx,    save_format=jpg)for i in range(15):    gen.next()/<code>

注意：待增強的圖像放在image文件夾下的子文件夾下，例如，待增強圖片在文件夾flower內，則此事flower的文件夾是image的子文件夾，這裡多進行嘗試就好。

增強後的圖像，如下所示，增強的方式在ImageDataGenerator內進行定義，此處剖磚引玉的簡述幾個，更多的方法還需要根據你的應用來確定，建議查詢官網介紹的增強方式。

最後，還是上面那句話，自己需要哪些變換，可以自行對ImageDataGenerator內容就行查詢修改，這裡不贅述，我們看下一個方法，更高效。

圖像的數據增強-方法二

有了方法一的鋪墊，方法二就簡單了很多了。方法二採用的Augmentor的方法，簡單粗暴，原圖是這樣的：

簡單的幾句代碼，就能夠實現許許多多的增強結果

<code>import Augmentor# 待增強圖像放在test文件夾下即可# 會自動的創建output文件，用於保存增強後的圖像p=Augmentor.Pipeline("./test")# 增強的方式，逆時針隨機旋轉90度（隨機概率可自行設定）p.rotate90(probability=0.5)p.skew_corner(probability=0.7,magnitude=1)# 增強的個數p.sample(20)/<code>

來看下增強後的結果，代碼中的註釋部分很詳細，主要是做了這幾件事情：

1. 導入庫，確定待增強圖像所在的位置
2. 確定增強的方式
3. 增強的個數

更加多樣的增強方式和數量可以自行增加，包含許多用於標準圖像處理功能的類，例如Rotate 旋轉類、Crop 裁剪類等等。包含的操作有：旋轉rotate、裁剪crop、透視perspective skewing、shearing、彈性形變Elastic Distortions、亮度、對比度、顏色等等。

更多方式及參數設定，可以點擊這裡：https://augmentor.readthedocs.io/en/master/code.html（美女都被拉變形了，罪惡啊罪惡）

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

之後也會持續的關注一些圖像增強的第三方好庫，也會都更新到這裡，持續關注，收藏哦！！！

閱讀更多 錢多多先森 的文章

關鍵字: 圖像 人工智能 增強