最近，在研究项目中，开始了解图像增强技术的重要性。该项目的目标是训练一个能够重建原始图像的鲁棒生成模型。所解决的问题是异常检测，这是一个相当具有挑战性的问题，因为数据量很小，而且模型不足以单独完成所有工作。
常见的场景是使用可用于训练的正常图像训练网络模型，并在包含正常图像和异常图像的测试集上评估其性能。
最初的假设是，生成模型应该很好地捕捉正态分布，但同时，它应该无法重建异常样本。如何验证这一假设？我们可以看到重建误差，异常图像的重建误差应该较高，而正常样本的重建误差应该较低。
在这篇文章中，将列出最好的数据增强技术，以增加数据集中图像的大小和多样性。其主要目的是提高模型的性能和泛化能力。
我们将探索简单的变换，如旋转、裁剪和高斯模糊，以及更复杂的技术，如高斯噪声和随机块。
图像增强技术：
1、简单变换
· 调整大小
· 灰度
· 规范化
· 随机旋转
· 中心裁剪
· 随机裁剪
· 高斯模糊
2、更先进的技术
· 高斯噪声
· 随机块
· 中心区域
1、表面裂纹数据集简介
在本教程中，我们将使用表面裂纹检测数据集。你可以在此处或Kaggle上下载数据集：
从名称可以推断，它提供了有裂纹和无裂纹曲面的图像。因此，它可以作为异常检测任务的数据集，其中异常类由有裂纹的图像表示，而正常类由无裂纹的表面表示。
该数据集包含4000幅有缺陷和无缺陷表面的彩色图像。这两个类都有训练和测试集。此外，以227×227像素的分辨率获取每个数据集图像。
2、简单变换
本节包括torchvision中可用的不同转换模块。在深入研究之前，我们从训练数据集中导入模块和一个没有缺陷的图像。
from PIL import Image
from pathlib import Path
import matplotlib．pyplot as plt
import numpy as np
import sys
import torch
import numpy as np
import torchvision．transforms as T
plt．rcParams［＂savefig．bbox＂］ ＝ ＇tight＇
orig＿img ＝ Image．open（Path（＇．．／input／surface－crack－detection／Negative／00026．jpg＇））
torch．manual＿seed（0）
data＿path ＝ ＇．．／input／surface－crack－detection／＇
diz＿class ＝ ｛＇Positive＇：＇Crack＇，＇Negative＇：＇No crack＇｝
让我们显示图像的尺寸：
np．asarray（orig＿img）．shape ＃（227， 227， 3）
这意味着我们有一个227x227的图像，有3个通道。
调整大小
由于图像具有很高的高度和宽度，因此在将其传递给神经网络之前，需要降低维数。例如，我们可以将227x227图像调整为32x32和128x128图像。
resized＿imgs ＝ ［T．Resize（size＝size）（orig＿img） for size in ［32，128］］
plot（resized＿imgs，col＿title＝［＂32x32＂，＂128x128＂］）
值得注意的是，当我们获得一幅32x32的图像时，我们会失去分辨率，而128x128的尺寸似乎可以保持样品的高分辨率。
灰度等级
RGB图像可能很难管理。因此，将图像转换为灰度可能很有用：
gray＿img ＝ T．Grayscale（）（orig＿img）
plot（［gray＿img］， cmap＝＇gray＇， col＿title＝［＂Gray＂］）
规范化
规范化是一种有效的方法，可以加快基于神经网络结构的模型的计算速度，加快学习速度。规范化图像有两个步骤：
· 我们从每个输入通道中减去通道平均值
· 稍后，我们将其除以通道标准差。
我们可以显示原始图像及其规范化版本：
normalized＿img ＝ T．Normalize（mean＝（0．5， 0．5， 0．5）， std＝（0．5， 0．5， 0．5））（T．ToTensor（）（orig＿img））
normalized＿img ＝ ［T．ToPILImage（）（normalized＿img）］
plot（normalized＿img， col＿title＝［＂Standard normalize＂］）
随机旋转
随机旋转方法以随机角度旋转图像。
rotated＿imgs ＝ ［T．RandomRotation（degrees＝d）（orig＿img） for d in range（50，151，50）］
plot（rotated＿imgs， col＿title＝［＂Rotation 50＂，＂Rotation 100＂，＂Rotation 150＂］）
中心裁剪
我们使用T．CenterCrop方法裁剪图像的中心部分，其中需要指定裁剪大小。
center＿crops ＝ ［T．CenterCrop（size＝size）（orig＿img） for size in （128，64， 32）］
plot（center＿crops，col＿title＝［＇128x128＇，＇64x64＇，＇32x32＇］）
当图像的边界中有一个大背景，而分类任务根本不需要这个背景时，这种转换非常有用。
随机裁剪
我们没有裁剪图像的中心部分，而是通过T．RandomCrop方法随机裁剪图像的一部分，该方法将裁剪的输出大小作为参数。
random＿crops ＝ ［T．RandomCrop（size＝size）（orig＿img） for size in （832，704， 256）］
plot（random＿crops，col＿title＝［＇832x832＇，＇704x704＇，＇256x256＇］）
高斯模糊
我们使用高斯核对图像进行高斯模糊变换。这种方法有助于降低图像的清晰度和清晰度，然后将生成的图像输入到神经网络中，神经网络在样本的学习模式方面变得更加稳健。
blurred＿imgs ＝ ［T．GaussianBlur（kernel＿size＝（51， 91）， sigma＝sigma）（orig＿img） for sigma in （3，7）］
plot（blurred＿imgs）
3、更先进的技术
前面展示了PyTorch提供的简单转换示例。现在，我们将重点讨论从零开始实现的更复杂的技术。
高斯噪声
高斯噪声是一种常用的向整个数据集添加噪声的方法，它迫使模型学习数据中包含的最重要信息。
它包括注入高斯噪声矩阵，高斯噪声矩阵是从高斯分布中提取的随机值矩阵。稍后，我们将在0和1之间剪裁样本。噪声因子越高，图像的噪声越大。
def add＿noise（inputs，noise＿factor＝0．3）：
noisy ＝ inputs＋torch．randn＿like（inputs） ＊ noise＿factor
noisy ＝ torch．clip（noisy，0．，1．）
return noisy
noise＿imgs ＝ ［add＿noise（T．ToTensor（）（orig＿img），noise＿factor） for noise＿factor in （0．3，0．6，0．9）］
noise＿imgs ＝ ［T．ToPILImage（）（noise＿img） for noise＿img in noise＿imgs］
plot（noise＿imgs， col＿title＝［＂noise＿factor＝0．3＂，＂noise＿factor＝0．6＂，＂noise＿factor＝0．9＂］）
随机块
正方形补丁随机应用在图像中。这些补丁的数量越多，神经网络解决问题的难度就越大。
def add＿random＿boxes（img，n＿k，size＝32）：
h，w ＝ size，size
img ＝ np．asarray（img）
img＿size ＝ img．shape［1］
boxes ＝ ［］
for k in range（n＿k）：
y，x ＝ np．random．randint（0，img＿size－w，（2，））
img［y：y＋h，x：x＋w］ ＝ 0
boxes．append（（x，y，h，w））
img ＝ Image．fromarray（img．astype（＇uint8＇）， ＇RGB＇）
return img
blocks＿imgs ＝ ［add＿random＿boxes（orig＿img，n＿k＝i） for i in （10，20）］
plot（blocks＿imgs，col＿title＝［＂10 black boxes＂，＂20 black boxes＂］）
中心区域
这是一种非常简单的方法，可以使模型更一般化。它包括在图像的中心区域添加一个补丁块。
def add＿central＿region（img，size＝32）：
h，w ＝ size，size
img ＝ np．asarray（img）
img＿size ＝ img．shape［1］
img［int（img＿size／2－h）：int（img＿size／2＋h），int（img＿size／2－w）：int（img＿size／2＋w）］ ＝ 0
img ＝ Image．fromarray（img．astype（＇uint8＇）， ＇RGB＇）
return img
central＿imgs ＝ ［add＿central＿region（orig＿img，size＝s） for s in （32，64）］
plot（central＿imgs，col＿title＝［＂32＂，＂64＂］）
最后的想法：
希望你发现本教程很有用。目的是对基于神经网络的图像增强方法进行概述，以解决模型的泛化问题。代码位于GitHub上：
感谢阅读！
原文标题 : 使用Pytorch进行图像增强的综合教程
