imgaug库指南（28）：从入门到精通的【图像增强】之旅（万字长文）

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
imgaug库指南（19）：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 —— Dropout2D方法
imgaug库指南（20）：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 —— TotalDropout方法
imgaug库指南（21）：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 —— ReplaceElementwise方法
imgaug库指南（22）：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 —— ImpulseNoise方法
imgaug库指南（23）：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 —— SaltAndPepper方法
imgaug库指南（24）：从入门到精通的【图像增强】之旅（干货！万字长文！）	详细介绍了imgaug库的数据增强方法 —— CoarseSaltAndPepper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 —— CoarsePepper方法。

---

CoarsePepper方法

功能介绍

iaa.CoarsePepper是imgaug库中另一个用于添加黑椒噪声的方法。与iaa.Pepper相比，iaa.CoarsePepper添加的噪声颗粒更大，通常用于模拟较为粗糙的噪声模式。以下是三个具体的使用场景举例：

1. 图像分割和目标检测任务：在这些任务中，iaa.CoarsePepper可以帮助模拟图像中的粗糙噪声模式，从而使得模型在训练过程中更加鲁棒。通过将这种噪声模式添加到训练数据中，模型将学会在面对类似噪声的输入时更好地处理和识别目标。
2. 图像修复和增强任务：在图像修复和增强的应用中，iaa.CoarsePepper可以用来模拟图像中可能存在的较大噪声区域。通过将这种噪声模式添加到图像中，然后使用适当的算法进行修复或增强，可以训练出更强大的图像处理系统。
3. 深度学习模型的预处理阶段：在使用深度学习模型进行图像处理之前，通常需要进行数据预处理。iaa.CoarsePepper可以用于这一阶段，以增加训练数据的多样性，并帮助模型更好地泛化到实际应用中可能遇到的噪声模式。通过在训练过程中引入这种噪声模式，模型将学会更好地处理实际应用中的噪声问题。

语法

import imgaug.augmenters as iaa
aug = iaa.CoarsePepper(p=(0.02, 0.1), size_px=None, size_percent=None, per_channel=False, min_size=3, seed=None, name=None, random_state='deprecated', deterministic='deprecated')

以下是对iaa.CoarsePepper方法中各个参数的详细介绍：

1. p：

   • 类型：可以是浮点数|浮点数元组|浮点数列表。
   • 描述：将像素替换为黑椒噪声的概率。
     • 若p为浮点数，则表示将像素替换为黑椒噪声的概率；
     • 若p为元组(a, b)，则将像素替换为黑椒噪声的概率为从区间[a, b]中采样的随机数；
     • 若p为列表，则将像素替换为黑椒噪声的概率为从列表中随机采样的浮点数；

2. size_px:

   • 类型：可以是整数|整数元组|整数列表。
   • 描述：定义每个噪声方块的大小。
     • 若size_px为整数，例如size_px为3，且RGB图像的宽和高都为300。则每个噪声方块大小为(H/size_px, W/size_px), 即(100, 100) ==> 将RGB图像分成9宫格, 每个宫格形状(100, 100), 根据参数p的大小确定有多少个宫格会被替换为黑椒噪声方块；
     • 若size_px为元组(a, b)，则每个噪声方块大小为(H/size, W/size), size为从区间[a, b]中采样的随机数；
     • 若size_px为列表，则每个噪声方块大小为(H/size, W/size), size为从列表中随机采样的数；
   • 注意：若size_px为None，则size_percent参数必须设置。

3. size_percent:

   • 类型：可以是浮点数|浮点数元组|浮点数列表。
   • 描述：定义每个噪声方块的大小。
     • 若size_percent为浮点数0.02，则每个噪声方块大小为(1/size_percent, 1/size_percent), 即(50, 50)；
     • 若size_percent为元组(a, b)，则每个噪声方块大小为(1/size, 1/size), size为从区间[a, b]中采样的随机数；
     • 若size_percent为列表，则每个噪声方块大小为(1/size, 1/size), size为从列表中随机采样的数；
   • 注意：若size_percent为None，则size_px参数必须设置。

4. per_channel:

   • 类型：布尔值（True或False）|浮点数。
   • 描述：
     • 若per_channel为True，则RGB图像的每个像素位置所对应的三个通道像素值可能不会同时替换为黑椒噪声方块 ==> RGB图像会出现彩色失真；
     • 若per_channel为False，则RGB图像的每个像素位置所对应的三个通道像素值会同时替换为黑椒噪声方块；
     • 若per_channel为区间[0,1]的浮点数，假设per_channel=0.6，那么对于60%的图像，per_channel为True；对于剩余的40%的图像，per_channel为False；

5. min_size:

   • 类型：整数
   • 描述：考虑到错误地设置size_percent或size_px参数会导致整个图像都被替换成黑椒噪声，因此通过设置min_size来确保最大的噪声方块不至于太大。

6. seed:

   • 类型：整数|None。
   • 描述：用于设置随机数生成器的种子。如果提供了种子，则结果将是可重复的。默认值为None，表示随机数生成器将使用随机种子。

7. name:

   • 类型：字符串或None。
   • 描述：用于标识增强器的名称。如果提供了名称，则可以在日志和可视化中识别该增强器。默认值为None，表示增强器将没有名称。

示例代码

1. 使用不同的p

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
aug1 = iaa.CoarsePepper(p=0.2, size_px=3, size_percent=None, per_channel=False, min_size=3, seed=0)
aug2 = iaa.CoarsePepper(p=0.5, size_px=3, size_percent=None, per_channel=False, min_size=3, seed=0)
aug3 = iaa.CoarsePepper(p=0.8, size_px=3, size_percent=None, per_channel=False, min_size=3, seed=0)# 对图像进行数据增强
Augmented_image1 = aug1(image=image)
Augmented_image2 = aug2(image=image)
Augmented_image3 = aug3(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_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(Augmented_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(Augmented_image3)
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(使用不同的p参数)

可以从图1看到：

• 当p参数设置的越接近1.0时，图像增强后的新图像将会出现更多的黑椒噪声方块。
• 由于size_px为3，且RGB图像的宽和高都接近300，因此每个黑椒噪声方块的尺寸都接近(100, 100) ==> 先把RGB图像分为9宫格，即9个相同大小的区域，再根据参数p确定将多少个区域替换为黑椒噪声方块。

2. 使用不同的size_px

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
aug1 = iaa.CoarsePepper(p=0.5, size_px=3, size_percent=None, per_channel=False, min_size=3, seed=0)
aug2 = iaa.CoarsePepper(p=0.5, size_px=6, size_percent=None, per_channel=False, min_size=3, seed=0)
aug3 = iaa.CoarsePepper(p=0.5, size_px=10, size_percent=None, per_channel=False, min_size=3, seed=0)# 对图像进行数据增强
Augmented_image1 = aug1(image=image)
Augmented_image2 = aug2(image=image)
Augmented_image3 = aug3(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_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(Augmented_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(Augmented_image3)
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(使用不同的size_px参数)

可以从图2看到：

• 当size_px参数设置的越大时，增强后的新图像的每个黑椒噪声方块的尺寸会越小。
  • 当size_px=3时，由于RGB图像的宽和高都接近300，因此每个黑椒噪声方块的尺寸都接近(100, 100) ==> 先把RGB图像分为9宫格，即9个相同大小的区域，再根据参数p确定将多少个区域替换为黑椒噪声方块。
  • 当size_px=6时，由于RGB图像的宽和高都接近300，因此每个黑椒噪声方块的尺寸都接近(50, 50) ==> 先把RGB图像分为36宫格，即36个相同大小的区域，再根据参数p确定将多少个区域替换为黑椒噪声方块。
  • 当size_px=10时，由于RGB图像的宽和高都接近300，因此每个黑椒噪声方块的尺寸都接近(30, 30) ==> 先把RGB图像分为100宫格，即100个相同大小的区域，再根据参数p确定将多少个区域替换为黑椒噪声方块。

3. 使用不同的size_percent

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
aug1 = iaa.CoarsePepper(p=0.5, size_px=None, size_percent=0.02, per_channel=False, min_size=3, seed=0)
aug2 = iaa.CoarsePepper(p=0.5, size_px=None, size_percent=0.05, per_channel=False, min_size=3, seed=0)
aug3 = iaa.CoarsePepper(p=0.5, size_px=None, size_percent=0.1, per_channel=False, min_size=3, seed=0)# 对图像进行数据增强
Augmented_image1 = aug1(image=image)
Augmented_image2 = aug2(image=image)
Augmented_image3 = aug3(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_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(Augmented_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(Augmented_image3)
axes[1][1].set_title("Augmented Image3")
plt.show()

运行结果如下：

图3 原图及数据增强结果可视化(使用不同的size_percent参数)

可以从图3看到：

• 当size_percent参数设置的越大时，增强后的新图像的每个黑椒噪声方块的尺寸会越小(size_percent和噪声方块尺寸的关系见size_percent的参数描述)。
  • 当size_percent=0.02时，每个黑椒噪声方块的尺寸都接近(50, 50)，根据参数p确定将多少个区域替换为黑椒噪声方块。
  • 当size_percent=0.05时，每个黑椒噪声方块的尺寸都接近(20, 20)，根据参数p确定将多少个区域替换为黑椒噪声方块。
  • 当size_percent=0.1时，每个黑椒噪声方块的尺寸都接近(10, 10)，根据参数p确定将多少个区域替换为黑椒噪声方块。

4. per_channel设置为True

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
aug1 = iaa.CoarsePepper(p=0.5, size_px=None, size_percent=0.02, per_channel=True, min_size=3, seed=0)
aug2 = iaa.CoarsePepper(p=0.5, size_px=None, size_percent=0.05, per_channel=True, min_size=3, seed=0)
aug3 = iaa.CoarsePepper(p=0.5, size_px=None, size_percent=0.1, per_channel=True, min_size=3, seed=0)# 对图像进行数据增强
Augmented_image1 = aug1(image=image)
Augmented_image2 = aug2(image=image)
Augmented_image3 = aug3(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_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(Augmented_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(Augmented_image3)
axes[1][1].set_title("Augmented Image3")
plt.show()

运行结果如下：

图4 原图及数据增强结果可视化(per_channel设置为True)

可以从图4看到：图像增强后的新图像将会出现彩色失真(不再是黑色的黑椒噪声)。
原因：当per_channel设置为True时，RGB的三个通道会独立进行处理，不一定能够同时替换为黑椒噪声块。

注意事项

1. p的选择：p参数决定了一副图像黑椒噪声的强度。较大的p值可能会导致新图像出现严重失真。需要根据具体场景选择合适的p；
2. size_px的选择：size_px参数决定了黑椒噪声块的大小。错误地设置size_px值可能会导致原图完全被替换成黑椒噪声图像。需要根据具体场景选择合适的size_px；
3. size_percent的选择：size_percent参数决定了黑椒噪声块的大小。错误地设置size_percent值也可能会导致原图完全被替换成黑椒噪声图像。需要根据具体场景选择合适的size_percent；
4. size_px和size_percent：若size_percent为None，则size_px参数必须设置；若size_px为None，则size_percen参数必须设置；
5. **随机性和可复现性(seed)**：如果需要可复现的结果，应该设置seed参数为一个固定的整数值。这将初始化随机数生成器，使得每次运行增强操作时都能得到相同的结果；
6. 与其他增强操作的组合：iaa.CoarsePepper可以与其他imgaug增强操作组合使用，以创建更复杂的增强管道。在组合多个增强操作时，应注意它们的顺序，因为不同的顺序可能会导致不同的最终效果。
7. min_size的设置：合理地设置min_size可以预防因为错误地设置size_px参数或者size_percent参数导致原图被完全替换为黑椒噪声的问题。
8. 谨慎设置per_channel参数：当per_channel设置为True时，RGB的三个通道会独立进行处理，导致出现彩色噪声块，并非常规的黑白黑椒噪声块。

总结

iaa.CoarsePepper是imgaug库中的一个图像增强方法，用于向图像中添加粗糙的黑椒噪声。相比于iaa.Pepper，它的噪声颗粒更大，能够模拟更为粗糙的噪声模式。以下是该方法的总结：

1. 作用：通过添加大范围的噪声块，模拟图像在恶劣条件下的噪声模式，或者用于创造特殊的艺术效果。

2. 参数：

   • p：定义了像素被替换为椒（黑色）的概率。
   • size_px：可用于定义噪声块的大小。
   • size_percent：可用于定义噪声块的大小。
   • per_channel：决定是否对每个通道独立地应用噪声。
   • min_size：定义噪声块的最小大小。
   • seed：用于设置随机数生成器的种子，以确保结果的可重复性。
   • name：增强器的名称。

3. 用途：

   • 增强大图像的视觉效果：在处理大图像时，通过添加大范围的噪声块来增强图像的细节和纹理。
   • 模拟恶劣天气条件下的图像：模拟由于恶劣天气（如雾、沙尘暴等）导致的较大范围的噪声干扰。
   • 创造艺术效果：通过控制噪声的大小和密度，在图像中创造特殊的艺术效果。

---

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！