利用opencv进行数据增强

包括平移、旋转、镜像、翻转

效果图

整体代码

#程序功能：python+opencv实现数据增强 #作者：mao #时间：2019.5.25 import numpy as np import cv2 img=cv2.imread("1.jpg") cv2.imshow("original",img) #水平镜像 h_flip=cv2.flip(img,1) cv2.imshow("Flipped Horizontally",h_flip) #垂直镜像 v_flip=cv2.flip(img,0) cv2.imshow("Flipped Vertically",v_flip) #水平垂直镜像 hv_flip=cv2.flip(img,-1) cv2.imshow("Flipped Horizontally & Vertically",hv_flip) #平移矩阵[[1,0,-100],[0,1,-12]] M=np.array([[1,0,-100],[0,1,-12]],dtype=np.float32) img_change=cv2.warpAffine(img,M,(300,300)) cv2.imshow("translation",img_change) #90度旋转 rows,cols=img.shape[:2] M=cv2.getRotationMatrix2D((cols/2,rows/2),90,1) dst=cv2.warpAffine(img,M,(cols,rows)) cv2.imshow("90",dst) #45度旋转 rows,cols=img.shape[:2] M=cv2.getRotationMatrix2D((cols/2,rows/2),45,1) dst=cv2.warpAffine(img,M,(cols,rows)) cv2.imshow("45",dst) #缩放 height,width=img.shape[:2] res=cv2.resize(img,(2*width,2*height)) cv2.imshow("large",res) # 仿射变换 #对图像进行变换（三点得到一个变换矩阵） # 我们知道三点确定一个平面，我们也可以通过确定三个点的关系来得到转换矩阵 # 然后再通过warpAffine来进行变换 point1=np.float32([[50,50],[300,50],[50,200]]) point2=np.float32([[10,100],[300,50],[100,250]]) M=cv2.getAffineTransform(point1,point2) dst1=cv2.warpAffine(img,M,(cols,rows),borderValue=(255,255,255)) cv2.imshow("affine transformation",dst1) cv2.waitKey(0)

循环读取文件夹内图片并增强后保存为图片

# 程序功能：python+opencv实现数据增强，并保存图片 # 作者：mao # 时间：2020.5.6 import numpy as np import cv2 import os #数据增强后的图片保存路劲 save_path='E:\\python_project\\yi_xue_ying_xiang\\tuxiangzengqiang\\after\\' for info in os.listdir(r'E:\python_project\yi_xue_ying_xiang\tuxiangzengqiang\pic'): domain = os.path.abspath( r'E:\python_project\yi_xue_ying_xiang\tuxiangzengqiang\pic') # 获取文件夹的路径，此处其实没必要这么写，目的是为了熟悉os的文件夹操作 info1 = os.path.join(domain, info) # 将路径与文件名结合起来就是每个文件的完整路径 img = cv2.imread(info1) cv2.imshow("original", img) cv2.waitKey(1000) # 水平镜像 h_flip = cv2.flip(img, 1) cv2.imshow("Flipped Horizontally", h_flip) cv2.imwrite(save_path+info+'_h_flip.jpg', h_flip) # 垂直镜像 v_flip = cv2.flip(img, 0) cv2.imshow("Flipped Vertically", v_flip) cv2.imwrite(save_path+info+'_v_flip.jpg', v_flip) # 水平垂直镜像 hv_flip = cv2.flip(img, -1) cv2.imshow("Flipped Horizontally & Vertically", hv_flip) cv2.imwrite(save_path+info+'hv_flip.jpg', hv_flip) # # 平移矩阵[[1,0,-100],[0,1,-12]] # M = np.array([[1, 0, -100], [0, 1, -12]], dtype=np.float32) # img_change = cv2.warpAffine(img, M, (300, 300)) # cv2.imshow("translation", img_change) # cv2.imwrite(save_path+info+'img_change.jpg', img_change) # 90度旋转 rows, cols = img.shape[:2] M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 90, 1) dst_90 = cv2.warpAffine(img, M, (cols, rows)) cv2.imshow("dst_90", dst_90) cv2.imwrite(save_path+info+'dst_90.jpg', dst_90) # 70度旋转 rows, cols = img.shape[:2] M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 70, 1) dst_70 = cv2.warpAffine(img, M, (cols, rows)) cv2.imshow("dst_70", dst_70) cv2.imwrite(save_path+info+'dst_70.jpg', dst_70) # 60度旋转 rows, cols = img.shape[:2] M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 60, 1) dst_60 = cv2.warpAffine(img, M, (cols, rows)) cv2.imshow("dst_60", dst_60) cv2.imwrite(save_path+info+'dst_60.jpg', dst_60) # 50度旋转 rows, cols = img.shape[:2] M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 50, 1) dst_50 = cv2.warpAffine(img, M, (cols, rows)) cv2.imshow("dst_50", dst_50) cv2.imwrite(save_path+info+'dst_50.jpg', dst_50) # 45度旋转 rows, cols = img.shape[:2] M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 45, 1) dst_45 = cv2.warpAffine(img, M, (cols, rows)) cv2.imshow("dst_45", dst_45) cv2.imwrite(save_path+info+'dst_45.jpg', dst_45) # 40度旋转 rows, cols = img.shape[:2] M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 40, 1) dst_40 = cv2.warpAffine(img, M, (cols, rows)) cv2.imshow("dst_40", dst_40) cv2.imwrite(save_path+info+'dst_40.jpg', dst_40) # 30度旋转 rows, cols = img.shape[:2] M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 30, 1) dst_30 = cv2.warpAffine(img, M, (cols, rows)) cv2.imshow("dst_30", dst_30) cv2.imwrite(save_path+info+'dst_30.jpg', dst_30) # 20度旋转 rows, cols = img.shape[:2] M = cv2.getRotationMatrix2D((cols / 2, rows / 2), 20, 1) dst_20 = cv2.warpAffine(img, M, (cols, rows)) cv2.imshow("dst_20", dst_20) cv2.imwrite(save_path+info+'dst_20.jpg', dst_20) # 缩放 # height, width = img.shape[:2] # res = cv2.resize(img, (2 * width, 2 * height)) # cv2.imshow("large", res) # cv2.imwrite(save_path+info+'res.jpg', res) # 仿射变换 # 对图像进行变换（三点得到一个变换矩阵） # 我们知道三点确定一个平面，我们也可以通过确定三个点的关系来得到转换矩阵 # 然后再通过warpAffine来进行变换 point1 = np.float32([[50, 50], [300, 50], [50, 200]]) point2 = np.float32([[10, 100], [300, 50], [100, 250]]) M = cv2.getAffineTransform(point1, point2) dst1 = cv2.warpAffine(img, M, (cols, rows), borderValue=(255, 255, 255)) cv2.imshow("affine transformation", dst1) cv2.imwrite(save_path+info+'dst1.jpg', dst1) cv2.waitKey(0) 翟羽嚄 认证博客专家 算法 机器学习 图像处理 我经常会分享一些智能驾驶、自动驾驶、图像识别、嵌入式linux、嵌入式音视频开发等知识，有兴趣的朋友可以关注我的头条号——翟羽镬，ID:1661013377414159，这里会分享一些整理好的且有一定价值的文章和源码。