问题描述
数据增强是一种通过使用裁剪、填充、翻转等技术来增加数据量的策略。数据增强使模型对微小变化更为稳健，从而防止模型过度拟合。将扩充后的数据存储在内存中既不实用也不高效，这就是keras中的imagedatagenerator类（也包括在tensorflow的高级api:tensorflow.keras中）发挥作用的地方。imagedatagenerator通过实时数据扩充生成成批张量图像数据。由生成器生成的输出图像将具有与输入图像相同的输出尺寸
解决方案
下面是一个辅助脚本，我们将使用它来直观地显示使用ImageDataGenerator类可以实现的所有内容。
from tensorflow.keras.preprocessing.image import ImageDataGenerator from matplotlib.pylot import imread,imshow,subplots,show
def plot(data_generator): ''' Plots 4 images generated by an object of the ImageDataGenerator class ''' data_generator.fit(images) image_iterator = data_generator.flow(images)
fig, rows = subplots(nrows=1, ncols=4 , figsize=(18,18)) for row in rows: row.imshow(image_iterator.next()[0].astype('int')) row.asis('off') show()
image=imread("image.jpeg")
#Creating a dataset which contains just one image images=image.reshape((1,image.shape[0],image.shape[1],image.shape[2]))
imshow(image[0]) show() |
1、旋转（Rotation)
通过指定rotation_range（旋转角度），生成的数据的随机旋转角度范围在+rotation range 到 -rotation_ range（以度为单位）。
data_generator = ImageDataGenerator(rotation_range=90) plot(data_generator) |
2.宽度偏移（Width Shifting）width_ shift_ range（宽度移位）范围是一个介于0.0和1.0之间的浮点数，它指定图像将随机向左或向右移位的总宽度部分的上限。
data_generator = ImageDataGenerator(width_shift_range=0.3) plot(data_generator) |
3、高度偏移（Height Shifting）
与宽度移动完全相同，只是图像是垂直移动而不是水平移动。
data_generator = ImageDataGenerator(height_shift_range=0.3) plot(data_generator) |
4、亮度（Brightness）
brightness_ range（亮度范围）指定从中随机选取亮度偏移值的范围。0的亮度相当于绝对没有亮度，1对应于最大亮度。
data_generator = ImageDataGenerator(brightness_range=(0.1,0.9)) plot(data_generator) |
5、剪切（Shear Intensity）
剪切变换使图像的形状倾斜。这与旋转中的不同，在剪切变换中，我们固定一个轴并将图像以一定的角度拉伸，称为剪切角。这会在图像中创建一种“拉伸”，这在旋转中是看不到的。shear_range以度为单位指定倾斜角度。
data_generator = ImageDataGenerator(shear_range=45.0) plot(data_generator) |
6、缩放（Zoom）
通过zoom_range参数获得随机缩放。小于1.0的缩放将放大图像，大于1.0的缩放将缩小图像。
data_generator = ImageDataGenerator(zoom_range=[0.5,1.5]) plot(data_generator) |
7、通道位移（Channel Shift）
通道移位通过从channel _shift_range（通道移位范围）指定的范围中选择的随机值随机移位通道值。
data_generator = ImageDataGenerator(channel_shift_range=150.0) plot(data_generator) |
8、水平翻转（Horizontal Flip）
生成器将生成图像，这些图像将随机水平翻转。
data_generator = ImageDataGenerator(horizontal_flip=True) plot(data_generator) |
9、垂直翻转（Vertical Filp）
与水平翻转相反，我们也可以应用垂直翻转
data_generator = ImageDataGenerator(vertical_flip=True) plot(data_generator) |
结语
如何填充没有的区域？
有几个选择，其中我们可以选择如何填补这些地区
1、相似填充（Nearest）
这是默认选项，其中选择最接近的像素值并对所有空值重复。（例如aaaaaa|abcd|dddddd）
data_generator = ImageDataGenerator(width_shift_range=0.3,fill_mode='nearest') plot(data_generator) |
2、反射填充（Reflect）
此模式创建“Reflect”并按已知值的相反顺序填充空值。（例如abcddcba|abcd|dcbaabcd）
data_generator = ImageDataGenerator(width_shift_range=0.3,fill_mode='reflect') plot(data_generator) |
3、包裹填充（Wrap）
与反射效果不同，还可以通过将已知点的值复制到未知点来创建“Wrap”效果，保持顺序不变。（例如 abcdabcd|abcd|abcdabcd）
data_generator = ImageDataGenerator(width_shift_range=0.3,fill_mode='wrap') plot(data_generator) |
4、常量填充（Constant）
如果想用一个常量值填充输入边界之外的所有点，这个模式可以帮助自己实现这一点。常量值由cval参数指定。
data_generator = ImageDataGenerator(width_shift_range=0.3,fill_mode='nearest',cval=190) plot(data_generator) |
更多
你可以直接利用这个类，有一些额外的优势。
例如
1.数据归零（featurewise_center,samplewise_center）
2.规范化（featurewise_std_normalization, samplewise_std_normalization）。
可以通过将这些变量的布尔值传递给ImageDataGenerator类来设置这些变量。
还可以通过指定rescale参数来重新缩放值，该参数乘以所有值。
