lamp 网站建设论文,wordpress最低php版本,专门做养老院的网站,邯郸网站维护一、数据增强的方法介绍
增加训练数据#xff0c; 则能够提升算法的准确率#xff0c; 因为这样可以避免过拟合#xff0c; 而避免了过拟合你就可以增大你的网络结构了。 当训练数据有限的时候#xff0c; 可以通过一些变换来从已有的训练数据集中生成一些新的数据#x… 一、数据增强的方法介绍
增加训练数据 则能够提升算法的准确率 因为这样可以避免过拟合 而避免了过拟合你就可以增大你的网络结构了。 当训练数据有限的时候 可以通过一些变换来从已有的训练数据集中生成一些新的数据 来扩大训练数据。 数据增强的方法有:
1) 图片的水平翻转(主要包括对称处理, 度数旋转等) 2) 随机裁剪(可以裁剪成不同大小的数据)
如原始图像大小为256*256随机裁剪出一些图像224*224的图像。如下图红色方框内为随机裁剪出的224*224的图片。 AlexNet 训练时对左上、右上、左下、右下、中间做了5次裁剪然后翻转得到一些剪切图片。防止大网络过拟合(under ubstantial overfitting)。 3) fancy PCA (就是从像素的角度变化, 形成新的图片)
在训练集像素值的RGB颜色空间进行PCA, 得到RGB空间的3个主方向向量,3个特征值, p1,p2, p3, λ1, λ2, λ3. 对每幅图像的每个像素加上如下的变化:
其中:α i 是满足均值为0,方差为0.1的随机变量.
4) 样本不均衡 解决方案 增加小众类别的图像数据
样本数据的不均衡的问题是日常中较多遇到的问题, 在机器学习中我们对于数据不平衡有上采样和下采样等处理方法, 在这里我们一般使用的是小众类别增强的方法处理.
一般根据数据集中的图像最多的种类的数量进行随机采样, 使得每个样本的数量均相等.然后将这些样本图片混合打乱形成新的数据集. 5)其它方法
如平移变换旋转/仿射变换高斯噪声、 模糊处理、 对颜色的数据增强 图像亮度、 饱和度、 对比度变化.
6训练和测试要协调
在训练的时候我们通常都需要做数据增强在测试的时候我们通常很少去做数据增强。这其中似乎有些不协调因为你训练和测试之间有些不一致。实验发现训练的最后几个迭代移除数据增强和传统一样测试可以提升一点性能。
如果训练的时候一直使用尺度和长宽比增强数据增强在测试的时候也同样做这个变化随机取32个裁剪图片来测试也可以在最后的模型上提升一点性能。就是多尺度的训练多尺度的测试。
二、数据增强的TensorFlow实现
# -- encoding:utf-8 --图像处理的Python库OpenCV、PIL、matplotlib、tensorflow等
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf# 打印numpy的数组对象的时候中间不省略
np.set_printoptions(thresholdnp.inf)def show_image_tensor(image_tensor):# 要求使用交互式会话# 获取图像tensor对象对应的image对象image对象时一个[h,w,c]# print(image_tensor)image image_tensor.eval()# print(image)print(图像大小为:{}.format(image.shape))if len(image.shape) 3 and image.shape[2] 1:# 黑白图像plt.imshow(image[:, :, 0], cmapGreys_r)plt.show()elif len(image.shape) 3:# 彩色图像plt.imshow(image)plt.show()# 1. 交互式会话启动
sess tf.InteractiveSession()image_path data/xiaoren.png
# image_path data/gray.png
# image_path data/black_white.jpg# 一、图像格式的转换
# 读取数据
file_contents tf.read_file(image_path)
# 将图像数据转换为像素点的数据格式返回对象为: [height, width, num_channels], 如果是gif的图像返回[num_frames, height, width, num_channels]
# height: 图片的高度的像素大小
# width: 图片的水平宽度的像素大小
# num_channels: 图像的通道数也就是API中的channels的值
# num_frames: 因为gif的图像是一个动态图像可以将每一个动的画面看成一个静态图像num_frames相当于在这个gif图像中有多少个静态图像
# 参数channels可选值0 1 3 4默认为0 一般使用0 1 3不建议使用4
# 0使用图像的默认通道也就是图像是几通道的就使用几通道
# 1使用灰度级别的图像数据作为返回值只有一个通道黑白
# 3使用RGB三通道读取数据
# 4使用RGBA四通道读取数据(R红色G绿色B蓝色A透明度)
image_tensor tf.image.decode_png(contentsfile_contents, channels3)
# show_image_tensor(image_tensor)# 二、图像大小重置BILINEAR 0 线性插值默认
NEAREST_NEIGHBOR 1 最近邻插值失真最小
BICUBIC 2 三次插值
AREA 3 面积插值# images: 给定需要进行大小转换的图像对应的tensor对象格式为[height, width, num_channels]或者[batch, height, width, num_channels]
# API返回值和images格式一样唯一区别是height和width变化为给定的值
resize_image_tensor tf.image.resize_images(imagesimage_tensor, size(200, 200),methodtf.image.ResizeMethod.NEAREST_NEIGHBOR)
# show_image_tensor(resize_image_tensor)# 三、图片的剪切填充
# 图片重置大小通过图片的剪切或者填充从中间开始计算新图片的大小
crop_or_pad_image_tensor tf.image.resize_image_with_crop_or_pad(image_tensor, 200, 200)
# show_image_tensor(crop_or_pad_image_tensor)# 中间等比例剪切
central_crop_image_tensor tf.image.central_crop(image_tensor, central_fraction0.2)
# show_image_tensor(central_crop_image_tensor)# 填充数据给定位置开始填充
pad_to_bounding_box_image_tensor tf.image.pad_to_bounding_box(image_tensor, offset_height400, offset_width490,target_height1000,target_width1000)
# show_image_tensor(pad_to_bounding_box_image_tensor)# 剪切数据给定位置开始剪切
crop_to_bounding_box_image_tensor tf.image.crop_to_bounding_box(image_tensor, offset_height10, offset_width40,target_height200, target_width300)
# show_image_tensor(crop_to_bounding_box_image_tensor)# 四、旋转
# 上下交换
flip_up_down_image_tensor tf.image.flip_up_down(image_tensor)
# show_image_tensor(flip_up_down_image_tensor)# 左右交换
flip_left_right_image_tensor tf.image.flip_left_right(image_tensor)
# show_image_tensor(flip_left_right_image_tensor)# 转置
transpose_image_tensor tf.image.transpose_image(image_tensor)
# show_image_tensor(transpose_image_tensor)# 旋转90度、180度、270度....
# k*90度旋转逆时针旋转
k_rot90_image_tensor tf.image.rot90(image_tensor, k4)
# show_image_tensor(k_rot90_image_tensor)# 五、颜色空间的转换rgb、hsv、gray
# 颜色空间的转换必须讲image的值转换为float32类型不能使用unit8类型
float32_image_tensor tf.image.convert_image_dtype(image_tensor, dtypetf.float32)
# show_image_tensor(float32_image_tensor)# rgb - hsvh: 图像的色彩/色度s:图像的饱和度v图像的亮度
hsv_image_tensor tf.image.rgb_to_hsv(float32_image_tensor)
# show_image_tensor(hsv_image_tensor)# hsv - rgb
rgb_image_tensor tf.image.hsv_to_rgb(hsv_image_tensor)
# show_image_tensor(rgb_image_tensor)# rgb - gray
gray_image_tensor tf.image.rgb_to_grayscale(rgb_image_tensor)
# show_image_tensor(gray_image_tensor)# 可以从颜色空间中提取图像的轮廓信息(图像的二值化)
a gray_image_tensor
b tf.less_equal(a, 0.9)
# 0是黑1是白
# condition?true:false
# condition、x、y格式必须一模一样当condition中的值为true的之后返回x对应位置的值否则返回y对应位置的值
# 对于a中所有大于0.9的像素值设置为0
c tf.where(conditionb, xa, ya - a)
# 对于a中所有小于等于0.9的像素值设置为1
d tf.where(conditionb, xc - c 1, yc)
# show_image_tensor(d)# 六、图像的调整
# 亮度调整
# image: RGB图像信息设置为float类型和unit8类型的效果不一样一般建议设置为float类型
# delta: 取值范围(-1,1之间的float类型的值表示对于亮度的减弱或者增强的系数值
# 底层执行rgb - hsv - h,s,v*delta - rgb
adjust_brightness_image_tensor tf.image.adjust_brightness(imageimage_tensor, delta0.8)
# show_image_tensor(adjust_brightness_image_tensor)# 色调调整
# image: RGB图像信息设置为float类型和unit8类型的效果不一样一般建议设置为float类型
# delta: 取值范围(-1,1之间的float类型的值表示对于色调的减弱或者增强的系数值
# 底层执行rgb - hsv - h*delta,s,v - rgb
adjust_hue_image_tensor tf.image.adjust_hue(image_tensor, delta-0.8)
# show_image_tensor(adjust_hue_image_tensor)# 饱和度调整
# image: RGB图像信息设置为float类型和unit8类型的效果不一样一般建议设置为float类型
# saturation_factor: 一个float类型的值表示对于饱和度的减弱或者增强的系数值饱和因子
# 底层执行rgb - hsv - h,s*saturation_factor,v - rgb
adjust_saturation_image_tensor tf.image.adjust_saturation(image_tensor, saturation_factor20)
# show_image_tensor(adjust_saturation_image_tensor)# 对比度调整公式(x-mean) * contrast_factor mean
adjust_contrast_image_tensor tf.image.adjust_contrast(image_tensor, contrast_factor10)
# show_image_tensor(adjust_contrast_image_tensor)# 图像的gamma校正
# images: 要求必须是float类型的数据
# gamma任意值Oup In * Gamma
adjust_gamma_image_tensor tf.image.adjust_gamma(float32_image_tensor, gamma100)
# show_image_tensor(adjust_gamma_image_tensor)# 图像的归一化(x-mean)/adjusted_sttdev, adjusted_sttdevmax(stddev, 1.0/sqrt(image.NumElements()))
per_image_standardization_image_tensor tf.image.per_image_standardization(image_tensor)
# show_image_tensor(per_image_standardization_image_tensor)# 七、噪音数据的加入
noisy_image_tensor image_tensor tf.cast(5 * tf.random_normal(shape[600, 510, 3], mean0, stddev0.1), tf.uint8)
show_image_tensor(noisy_image_tensor)
