imgaug库指南（20）：从入门到精通的【图像增强】之旅

引言

在深度学习和计算机视觉的世界里，数据是模型训练的基石，其质量与数量直接影响着模型的性能。然而，获取大量高质量的标注数据往往需要耗费大量的时间和资源。正因如此，数据增强技术应运而生，成为了解决这一问题的关键所在。而imgaug，作为一个功能强大的图像增强库，为我们提供了简便且高效的方法来扩充数据集。本系列博客将带您深入了解如何运用imgaug进行图像增强，助您在深度学习的道路上更进一步。我们将从基础概念讲起，逐步引导您掌握各种变换方法，以及如何根据实际需求定制变换序列。让我们一起深入了解这个强大的工具，探索更多可能性，共同推动深度学习的发展。

---

前期回顾

链接	主要内容
imgaug库指南（11）：从入门到精通的【图像增强】之旅	详细介绍了imgaug库的数据增强方法 —— 加性高斯噪声(AdditiveGaussianNoise方法)
imgaug库指南（12）：从入门到精通的【图像增强】之旅	详细介绍了imgaug库的数据增强方法 —— 加性拉普拉斯噪声(AdditiveLaplaceNoise方法)
imgaug库指南（13）：从入门到精通的【图像增强】之旅	详细介绍了imgaug库的数据增强方法 —— 加性泊松噪声(AdditivePoissonNoise方法)
imgaug库指南（14）：从入门到精通的【图像增强】之旅	详细介绍了imgaug库的数据增强方法 —— 乘法运算(Multiply方法)
imgaug库指南（15）：从入门到精通的【图像增强】之旅	详细介绍了imgaug库的数据增强方法 —— 乘法运算(MultiplyElementwise方法)
imgaug库指南（16）：从入门到精通的【图像增强】之旅	详细介绍了imgaug库的数据增强方法 —— Cutout方法
imgaug库指南（17）：从入门到精通的【图像增强】之旅	详细介绍了imgaug库的数据增强方法 —— Dropout方法
imgaug库指南（18）：从入门到精通的【图像增强】之旅	详细介绍了imgaug库的数据增强方法 —— CoarseDropout方法

在本博客中，我们将向您详细介绍imgaug库的数据增强方法 —— TotalDropout方法。

---

TotalDropout方法

功能介绍

iaa.TotalDropout是imgaug库中一个数据增强方法，可用于从图像列表中随机删除部分图像的所有通道。这种方法可以模拟图像在恶劣天气条件下的退化，或者用于数据增强以增加模型的泛化能力。

语法

import imgaug.augmenters as iaa
aug = iaa.TotalDropout(p=1)

• p: 定义为一副图像中所有通道被丢弃的概率（即一旦某幅图像确认被丢弃，则所有通道所有像素值设置为零 ==> 全黑图像）。
  • 若p为浮点数，则一副图像中所有通道被丢弃的概率为p；
  • 若p为元组(a, b)，则一副图像中所有通道被丢弃的概率为从区间[a, b]中采样的随机数；
  • 若p为列表，则一副图像中所有通道被丢弃的概率为从列表中随机采样的浮点数；

示例代码

1. p=0.5

import cv2
import imgaug.augmenters as iaa
import matplotlib.pyplot as plt# 读取图像
img_path = r"D:\python_project\lena.png"
img = cv2.imread(img_path)
image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)# 创建数据增强器
aug = iaa.TotalDropout(p=0.5)# 对图像进行数据增强
Augmented_image = aug(images=[image, image, image])# 展示原始图像和数据增强后的图像
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
axes[0][0].imshow(image)
axes[0][0].set_title("Original Image")
axes[0][1].imshow(Augmented_image[0])
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(Augmented_image[1])
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(Augmented_image[2])
axes[1][1].set_title("Augmented Image3")
plt.show()

运行结果如下：

图1 原图及数据增强结果可视化(丢弃概率p=0.5)

可以从图1看到：当设置丢弃概率p=0.5时，三幅新图像有两幅变成全黑图像(即被丢弃)。

2. p=1.0

import cv2
import imgaug.augmenters as iaa
import matplotlib.pyplot as plt# 读取图像
img_path = r"D:\python_project\lena.png"
img = cv2.imread(img_path)
image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)# 创建数据增强器
aug = iaa.TotalDropout(p=1.0)# 对图像进行数据增强
Augmented_image = aug(images=[image, image, image])# 展示原始图像和数据增强后的图像
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
axes[0][0].imshow(image)
axes[0][0].set_title("Original Image")
axes[0][1].imshow(Augmented_image[0])
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(Augmented_image[1])
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(Augmented_image[2])
axes[1][1].set_title("Augmented Image3")
plt.show()

运行结果如下：

图2 原图及数据增强结果可视化(丢弃概率p=1.0)

可以从图2看到：当p=1.0时，三幅图像的所有通道都被丢弃(所有像素值都被置0)。

注意事项

1. 概率p的选择：p参数决定了一副图像所有通道的概率。较大的p值会导致更多图像的所有图像被丢弃，甚至导致所有待增强图像全黑化。
2. 随机性：每次应用增强器可能会产生稍微不同的结果，因为图像所有通道的丢弃是随机的。为了确保结果的可重复性，可以使用aug.to_deterministic()方法将增强器转换为确定性状态。

总结

iaa.TotalDropout是一个用于模拟图像退化的有用方法。通过随机地将像素设置为0，可以模拟恶劣天气条件或增加模型的泛化能力。使用时需要注意概率的选择、与其他增强器的结合以及结果的可重复性等问题。

---

小结

imgaug是一个顶级的图像增强库，具备非常多的数据增强方法。它为你提供创造丰富多样的训练数据的机会，从而显著提升深度学习模型的性能。通过精心定制变换序列和参数，你能灵活应对各类应用场景，使我们在处理计算机视觉的数据增强问题时游刃有余。随着深度学习的持续发展，imgaug将在未来持续展现其不可或缺的价值。因此，明智之举是将imgaug纳入你的数据增强工具箱，为你的项目带来更多可能性。

参考链接

---

结尾

亲爱的读者，首先感谢您抽出宝贵的时间来阅读我们的博客。我们真诚地欢迎您留下评论和意见，因为这对我们来说意义非凡。
俗话说，当局者迷，旁观者清。您的客观视角对于我们发现博文的不足、提升内容质量起着不可替代的作用。
如果您觉得我们的博文给您带来了启发，那么，希望您能为我们点个免费的赞/关注，您的支持和鼓励是我们持续创作的动力。
请放心，我们会持续努力创作，并不断优化博文质量，只为给您带来更佳的阅读体验。
再次感谢您的阅读，愿我们共同成长，共享智慧的果实！