本文最後將提供python實現的圖像數據集增強源碼，功能：將圖像數據集增強做成了開關形式，可以對以下圖像數據集增強方式進行自動變換調節，各項之間也可累加：

1、旋轉，旋轉角度可調

2、縮放，解析度可調

3、添加噪音，背景噪音程度可調

4、圖像模糊，模糊程度可調

5、圖像移動 將圖像往x、y方向上按指定的數量移動圖像像素

6、支持拓展其他新的圖像數據集增強方式

二、數據集增強方法

1、圖片縮放

圖像縮放便是調節圖片的解析度，在

過客：【數字圖像處理系列二】亮度、對比度、飽和度、銳化、解析度?

zhuanlan.zhihu.com

中詳細介紹了圖片解析度調節，我們可以通過對圖片解析度做適當的調節，增強圖像數據，同時應該增加對應的標籤數據，便是圖片對應的問題txt文件

利用opencv-python庫resize()函數對圖片解析度進行調節，項目部分代碼展示如下，可以將圖像調節成任意解析度，但在實際調節過程中，我們應保持在一定範圍內，可根據實驗反饋效果進行調整：

import re, cv2

CODE = scale
REGEX = re.compile(r"^" + CODE + "_(?P<w_scale>[.0-9]+)_(?P<h_scale>[.0-9]+)")

class Scale:
def __init__(self, w_scale, h_scale):
self.code = CODE + str(w_scale) + _ + str(h_scale)
self.w_scale = w_scale
self.h_scale = h_scale

def process(self, img):
height, width = img.shape[:2]
return cv2.resize(img, (int(self.w_scale*width), int(self.h_scale*height)), interpolation = cv2.INTER_CUBIC)

@staticmethod
def match_code(code):
match = REGEX.match(code)
if match:
d = match.groupdict()
return Scale(float(d[w_scale]), float(d[h_scale]))

運行程序，將圖像放大為原來的兩倍效果如下：

2、圖片旋轉

圖像按照給定的角度旋轉，這也是增強圖像數據集一種常用的方式，使用opencv-python中getRotationMatrix2D()函數和warpAffine()函數，getRotationMatrix2D()函數定義如下：

cv2.getRotationMatrix2D(Point2f center, double angle, double scale)

參數含義：

• center： (x_center，y_center) 圖像中心像素坐標，也是旋轉中心
• angle： 定義圖像旋轉的角度
• scale ： 圖像縮放因子，一般默認為1，不縮放

cv2.warpAffine()功能是做圖像幾何變換，函數定義如下：

cv2.warpAffine(img, M, (cols,rows))

參數含義：

• img： 待變換的圖像
• M： 圖像幾何變換方式，自定義
• (cols,rows)： 輸入圖像的大小

核心代碼展示：

def process(self, img):
height, width = img.shape[:2]
M = cv2.getRotationMatrix2D((width/2, height/2), self.angle, 1)
return cv2.warpAffine(img, M, (width, height))

運行程序，將圖像順時針旋轉兩度效果如下：

3、圖片平移

圖像平移指將圖像往x、y方向上按指定的數量移動圖像像素，也使用cv2.warpAffine()函數，自定義平移的方向和位移大小

核心代碼展示：

def process(self, img):
height, width = img.shape[:2]
trans_M = np.float32([[1, 0, self.x_trans], [0, 1, self.y_trans]])
return cv2.warpAffine(img, trans_M, (width, height))

運行程序，將圖像整體向右和下方向各移動10個像素位置效果如下：

4、圖片模糊

圖像模糊也是圖像數據集增強的一種方式，圖像模糊內容將在圖像濾波中詳細介紹，模糊技術很多，本文採用最常見的圖像高斯模糊，使用的是opencv-python中cv2.GaussianBlur()函數，函數定義如下：

cv2.GaussianBlur(img, kernel, sigma)

參數含義：

• img： 待處理圖形
• kernel： 高斯核，是正奇數，如(5，5)
• sigma： 指定x/y方向標準差，控制模糊的程度，數值越大模糊度也高

核心代碼展示如下：

def process(self, img):
return cv2.GaussianBlur(img, (5,5), self.sigma)

運行程序，將用高斯核為(5，5)，標準差=4時效果如下：

5、圖片添加噪音

為圖像添加噪音也是一種圖像數據集增強方式，可以添加多種類型噪音，如椒鹽噪音、高斯噪音，本例中添加常見的高斯噪音，使用skimage.util.random_noise()函數，定義如下：

skimage.util.random_noise(gray_img, mode, seed=None, clip=True, kwargs)

參數含義：

• gray_img： 待處理圖像灰度圖
• mode： str類型，添加噪音類型
• seed： int類型，添加噪音隨機性
• clip： 為True時應用剪切，輸入和輸入大小相同
• mean：噪音隨機分佈的均值
• var：噪音隨機分佈的方差

核心代碼展示：

def process(self, img):
return random_noise(img, mode=gaussian, var=self.var)

運行程序，給圖片添加方差為0.05效果如下：

三、源代碼獲取

源碼和訓練數據集獲取請關注小編微信公眾號並回復 圖像增強源碼 獲取源碼，回復手寫體識別數據集 獲取數據集，公眾號【機器學習與TensorFlow實戰】 作者【CHEONG】：

推薦閱讀：