def colorjitter（img， cj＿type＝＂b＂）：
＇＇＇
＃＃＃ Different Color Jitter ＃＃＃
img： image
cj＿type： ｛b： brightness， s： saturation， c： constast｝
＇＇＇
if cj＿type ＝＝ ＂b＂：
＃ value ＝ random．randint（－50， 50）
value ＝ np．random．choice（np．array（［－50， －40， －30， 30， 40， 50］））
hsv ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2HSV）
h， s， v ＝ cv2．split（hsv）
if value ＞＝ 0：
lim ＝ 255 － value
v［v ＞ lim］ ＝ 255
v［v ＜＝ lim］ ＋＝ value
else：
lim ＝ np．absolute（value）
v［v ＜ lim］ ＝ 0
v［v ＞＝ lim］ －＝ np．absolute（value）
final＿hsv ＝ cv2．merge（（h， s， v））
img ＝ cv2．cvtColor（final＿hsv， cv2．COLOR＿HSV2BGR）
return img
elif cj＿type ＝＝ ＂s＂：
＃ value ＝ random．randint（－50， 50）
value ＝ np．random．choice（np．array（［－50， －40， －30， 30， 40， 50］））
hsv ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2HSV）
h， s， v ＝ cv2．split（hsv）
if value ＞＝ 0：
lim ＝ 255 － value
s［s ＞ lim］ ＝ 255
s［s ＜＝ lim］ ＋＝ value
else：
lim ＝ np．absolute（value）
s［s ＜ lim］ ＝ 0
s［s ＞＝ lim］ －＝ np．absolute（value）
final＿hsv ＝ cv2．merge（（h， s， v））
img ＝ cv2．cvtColor（final＿hsv， cv2．COLOR＿HSV2BGR）
return img
elif cj＿type ＝＝ ＂c＂：
brightness ＝ 10
contrast ＝ random．randint（40， 100）
dummy ＝ np．int16（img）
dummy ＝ dummy ＊ （contrast／127＋1） － contrast ＋ brightness
dummy ＝ np．clip（dummy， 0， 255）
img ＝ np．uint8（dummy）
return img
添加噪声通常，噪声被认为是图像中不可预料的因素，然而，有几种类型的噪声（如高斯噪声、椒盐噪声）可以用于数据扩充，在深度学习中，添加噪声是一种非常简单而有益的数据扩充方法。在下面的例子中，为了增强数据，将高斯噪声和椒盐噪声添加到原始图像中。
对于那些无法识别高斯噪声和椒盐噪声区别的人，高斯噪声的取值范围取决于配置，从0到255，因此，在RGB图像中，高斯噪声像素可以是任何颜色。相反，椒盐噪声像素只能有两个值：0或255，分别为黑色（椒）或白色（盐）。def noisy（img， noise＿type＝＂gauss＂）：
＇＇＇
＃＃＃ Adding Noise ＃＃＃
img： image
cj＿type： ｛gauss： gaussian， sp： salt ＆ pepper｝
＇＇＇
if noise＿type ＝＝ ＂gauss＂：
image＝img．copy（）
mean＝0
st＝0．7
gauss ＝ np．random．normal（mean，st，image．shape）
gauss ＝ gauss．astype（＇uint8＇）
image ＝ cv2．add（image，gauss）
return image
elif noise＿type ＝＝ ＂sp＂：
image＝img．copy（）
prob ＝ 0．05
if len（image．shape） ＝＝ 2：
black ＝ 0
white ＝ 255
else：
colorspace ＝ image．shape［2］
if colorspace ＝＝ 3： ＃ RGB
black ＝ np．array（［0， 0， 0］， dtype＝＇uint8＇）
white ＝ np．array（［255， 255， 255］， dtype＝＇uint8＇）
else： ＃ RGBA
black ＝ np．array（［0， 0， 0， 255］， dtype＝＇uint8＇）
white ＝ np．array（［255， 255， 255， 255］， dtype＝＇uint8＇）
probs ＝ np．random．random（image．shape［：2］）
image［probs ＜ （prob ／ 2）］ ＝ black
image［probs ＞ 1 － （prob ／ 2）］ ＝ white
return image
过滤本文介绍的最后一个数据扩充过程是过滤。与添加噪声类似，过滤也很简单，易于实现。在实现中使用的三种滤波类型包括模糊（均值）、高斯和中值。
def filters（img， f＿type ＝ ＂blur＂）：
＇＇＇
＃＃＃ Filtering ＃＃＃
img： image
f＿type： ｛blur： blur， gaussian： gaussian， median： median｝
＇＇＇
if f＿type ＝＝ ＂blur＂：
image＝img．copy（）
fsize ＝ 9
return cv2．blur（image，（fsize，fsize））
elif f＿type ＝＝ ＂gaussian＂：
image＝img．copy（）
fsize ＝ 9
return cv2．GaussianBlur（image， （fsize， fsize）， 0）
elif f＿type ＝＝ ＂median＂：
image＝img．copy（）
fsize ＝ 9
return cv2．medianBlur（image， fsize）
总结
在这篇文章中，主要向大家介绍了一个关于对象检测任务中数据扩充实现的教程。你们可以在这里找到完整实现。https：／／github．com／tranleanh／data－augmentation
