科技公司网站模板下载,嘉定网站建设哪里便宜,旅游网站建设水平评价,数据服务网站开发文章目录 一、实验介绍二、实验环境1. 配置虚拟环境2. 库版本介绍 三、实验内容0. 导入必要的库1. PIL基础操作2. Cutout#xff08;遮挡#xff09;2.1 原理2.2 实现2.3 效果展示 3. Random Erasing#xff08;随机擦除#xff09;3.1 原理3.2 实现3.3 效果展示 4. Mixup遮挡2.1 原理2.2 实现2.3 效果展示 3. Random Erasing随机擦除3.1 原理3.2 实现3.3 效果展示 4. Mixup混合4.1 原理4.2 实现4.3 效果展示 一、实验介绍 在深度学习任务中数据增强是提高模型泛化能力的关键步骤之一。通过对训练集进行变换和扩充可以有效地增加数据量引入样本之间的差异使模型更好地适应不同的输入。 本实验将实现自定义图像数据增强操作具体包括 Cutout遮挡、Random Erasing随机擦除和 Mixup混合。 二、实验环境
1. 配置虚拟环境
conda create -n Image python3.9 conda activate Imageconda install pillow numpy2. 库版本介绍
软件包本实验版本numpy1.21.5python3.9.13pillow9.2.0
三、实验内容
0. 导入必要的库
import numpy as np
from PIL import Image
import random
1. PIL基础操作
【深度学习实验】图像处理一Python Imaging LibraryPIL库图像读取、写入、复制、粘贴、几何变换、图像增强、图像滤波 【深度学习实验】图像处理二PIL 和 PyTorchtransforms中的图像处理与随机图片增强
2. Cutout遮挡
2.1 原理 Cutout 操作是在图像上随机选择一个或多个方形区域并将这些区域的像素值设置为零达到遮挡的效果。该操作有助于模型对于部分区域的缺失具有鲁棒性使得模型更加关注图像的其他部分。
2.2 实现
class Cutout(object):def __init__(self, n_holes, length):self.n_holes n_holesself.length lengthdef __call__(self, img):h, w, c img.shapemask np.ones((h, w), np.float32)for _ in range(self.n_holes):y np.random.randint(h)x np.random.randint(w)y1 np.clip(y - self.length // 2, 0, h)y2 np.clip(y self.length // 2, 0, h)x1 np.clip(x - self.length // 2, 0, w)x2 np.clip(x self.length // 2, 0, w)mask[y1: y2, x1: x2] 0.mask np.expand_dims(mask, axis2)mask np.repeat(mask, c, axis2)img img * maskreturn img初始化参数: n_holes (int): 每个图像要遮挡的区域数量。length (int): 每个正方形区域的边长以像素为单位。 call 参数: img: 大小为 (h, w, c) 的图像数组。 返回 从图像中剪切出 n_holes 个边长为 length 的正方形区域后的图像。
2.3 效果展示
img Image.open(example.jpg).convert(RGB)# 转换为 NumPy 数组
img np.array(img)# 创建 Cutout 实例
cutout Cutout(3, 64)# 应用 Cutout 操作
img_cut cutout(img)# 将 NumPy 数组转换回 PIL 图像
img_result Image.fromarray(img_cutout.astype(uint8)).convert(RGB)# 保存图像
img_result.save(./cutout_image.jpg) 3. Random Erasing随机擦除
3.1 原理 Random Erasing 操作随机选择图像中的一个矩形区域并将该区域的像素值擦除用随机值替代。该操作模拟了在现实场景中图像可能被部分遮挡或损坏的情况从而提高了模型对于不完整图像的适应能力。
3.2 实现
class RandomErasing(object):def __init__(self, region_w, region_h):self.region_w region_wself.region_h region_hdef __call__(self, img):if self.region_w img.shape[1] and self.region_h img.shape[0]:x1 random.randint(0, img.shape[1] - self.region_w)y1 random.randint(0, img.shape[0] - self.region_h)img[y1:y1self.region_h, x1:x1self.region_w, 0] np.random.randint(0, 255, size(self.region_h, self.region_w))img[y1:y1self.region_h, x1:x1self.region_w, 1] np.random.randint(0, 255, size(self.region_h, self.region_w))img[y1:y1self.region_h, x1:x1self.region_w, 2] np.random.randint(0, 255, size(self.region_h, self.region_w))return img初始化: region_w: 擦除区域的宽度region_h: 擦除区域的高度 call 参数: img: 大小为 (h, w, c) 的图像数组 检查擦除区域的宽度和高度是否小于图像的宽度和高度 随机选择擦除区域的左上角坐标 ( x 1 , y 1 ) (x_1, y_1) (x1,y1)生成随机像素值并将其应用于图像的擦除区域 返回 随机擦除后的图像
3.3 效果展示
img Image.open(example.jpg).convert(RGB)
img np.array(img)# 创建 Random Erasing 实例
random_erasing RandomErasing(region_w150, region_h200)# 应用 Random Erasing 操作
img_erasing random_erasing(img)img_result Image.fromarray(img_erasing.astype(uint8)).convert(RGB)
img_result.save(./erasing_image.jpg)4. Mixup混合
4.1 原理 Mixup选择两张图像按照一定的比例进行线性混合得到一张新的图像。通过引入样本之间的混合增加了训练集的多样性有助于模型更好地适应不同的输入。
4.2 实现
class Mixup(object):def __init__(self, alpha):self.alpha alphaself.lam np.random.beta(self.alpha, self.alpha)def __call__(self, img1, img2):img self.lam * img1 (1 - self.lam) * img2return img初始化参数: alpha: 混合参数lam: 使用 Beta 分布生成一个随机值 call 参数: img1、img2: 大小为 (h, w, c) 的图像数组。 使用混合比例将两个图像进行线性混合
4.3 效果展示 将 Mixup 操作应用于下述两张图像
# 读取两张图像
img1 Image.open(example2.jpg).convert(RGB)
img2 Image.open(example3.jpg).convert(RGB)# 调整图像大小
img1 img1.resize((1920, 1080), Image.Resampling.BICUBIC)
img2 img2.resize((1920, 1080), Image.Resampling.BICUBIC)# 转换为 NumPy 数组
img1 np.array(img1)
img2 np.array(img2)# 创建 Mixup 实例
mixup Mixup(0.6)# 应用 Mixup 操作
img_mixup mixup(img1, img2)# 将 NumPy 数组转换回 PIL 图像
img_result Image.fromarray(img_mixup.astype(uint8)).convert(RGB)# 保存图像
img_result.save(./mixup_image.jpg)
