심도 있는 학습의 대량 이미지 데이터 강화

앞의 글에서 데이터 강화의 라이브러리 함수를 소개했고 본고는 실제 응용과 결합하여 대량 이미지의 데이터 강화를 할 것이다.
배경: 프로젝트에서 수집한 것은 그레이스케일로 원 데이터가 20장도 안 되는 그림이기 때문에 데이터 강화 방법을 선택하고 서로 다른 변환 방법의 조합을 통해 데이터가 100장 이상 증가해야 깊이 있는 학습 모델에 넣고 훈련(이동학 학습을 이용)할 수 있다.
말은 많이 하지 않고 코드에 직접 올라가서 코드에 사용된 변환 조작을 설명한다.

#!usr/bin/python
# -*- coding: utf-8 -*-
import cv2
from imgaug import augmenters as iaa
import os

# Sometimes(0.5, ...) applies the given augmenter in 50% of all cases,
# e.g. Sometimes(0.5, GaussianBlur(0.3)) would blur roughly every second image.
sometimes = lambda aug: iaa.Sometimes(0.5, aug)

#         .
seq = iaa.Sequential([

    #   0 5      
    iaa.SomeOf((0, 5),
        [
                iaa.Fliplr(0.5), #  50%           
                iaa.Flipud(0.5), #  50%           	
																
                # Convert some images into their superpixel representation,
                # sample between 20 and 200 superpixels per image, but do
                # not replace all superpixels with their average, only
                # some of them (p_replace).
                sometimes(
                    iaa.Superpixels(
                        p_replace=(0, 1.0),
                        n_segments=(20, 200)
                    )
                ),

                # Blur each image with varying strength using
                # gaussian blur (sigma between 0 and 3.0),
                # average/uniform blur (kernel size between 2x2 and 7x7)
                # median blur (kernel size between 3x3 and 11x11).
                iaa.OneOf([
                    iaa.GaussianBlur((0, 3.0)),
                    iaa.AverageBlur(k=(2, 7)),
                    iaa.MedianBlur(k=(3, 11)),
                ]),

                # Sharpen each image, overlay the result with the original
                # image using an alpha between 0 (no sharpening) and 1
                # (full sharpening effect).
                iaa.Sharpen(alpha=(0, 1.0), lightness=(0.75, 1.5)),

                # Same as sharpen, but for an embossing effect.
                iaa.Emboss(alpha=(0, 1.0), strength=(0, 2.0)),


                # Add gaussian noise to some images.
                # In 50% of these cases, the noise is randomly sampled per
                # channel and pixel.
                # In the other 50% of all cases it is sampled once per
                # pixel (i.e. brightness change).
                iaa.AdditiveGaussianNoise(
                    loc=0, scale=(0.0, 0.05*255)
                ),

                # Invert each image's chanell with 5% probability.
                # This sets each pixel value v to 255-v.
                iaa.Invert(0.05, per_channel=True), # invert color channels

                # Add a value of -10 to 10 to each pixel.
                iaa.Add((-10, 10), per_channel=0.5),

                # Add random values between -40 and 40 to images, with each value being sampled per pixel:
                iaa.AddElementwise((-40, 40)),

                # Change brightness of images (50-150% of original value).
                iaa.Multiply((0.5, 1.5)),

                # Multiply each pixel with a random value between 0.5 and 1.5.
                iaa.MultiplyElementwise((0.5, 1.5)),

                # Improve or worsen the contrast of images.
                iaa.ContrastNormalization((0.5, 2.0)),


        ],
        # do all of the above augmentations in random order
        random_order=True
    )

],random_order=True) #apply augmenters in random order

#         
path = 'yingdaqi0/'
savedpath = 'yingdaqi_aug/'

imglist=[]
filelist = os.listdir(path)

#          ，         imglist 
for item in filelist:
	img = cv2.imread(path + item)
	#print('item is ',item)
	#print('img is ',img)
	#images = load_batch(batch_idx)
	imglist.append(img)
	#print('imglist is ' ,imglist)
print('all the picture have been appent to imglist')

#              ，  100 
for count in range(100):
	images_aug = seq.augment_images(imglist)
	for index in range(len(images_aug)):
		filename = str(count) + str(index) +'.jpg'
		#    
		cv2.imwrite(savedpath + filename,images_aug[index])
		print('image of count%s index%s has been writen'%(count,index))	

상기 코드의 조작을 통해 목표 폴더의 원시 그림을 무작위로 변화시킬 수 있다. 변화 방법 그룹의 0에서 5가지 조작을 선택할 수 있다. 물론 방법 그룹에 다른 필요한 조작을 추가할 수도 있다. 나의 원도는 그레이스케일이기 때문에 색의 공간 변화와 관련이 없다. 만약에 컬러 그림이라면 상응하는 변화를 증가시켜 더욱 전면적일 수 있다.
100번의 순환을 거치면 한 장의 그림에 100번의 무작위 변화를 하는 것과 같다. 매번 변화는 여러 가지 방법과 관련될 수 있다. 이렇게 조작이 끝난 후에 원시 데이터는 100배로 확대되었고 중복된 데이터가 안에 있지 않아 데이터 강화 효과를 얻을 수 있다.