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（一）：从入门到精通的【图像增强】之旅	介绍了imgaug库的主要功能、安装方式、提供一个简单的数据增强示例(针对一副图像)
imgaug库指南（二）：从入门到精通的【图像增强】之旅	介绍了如何利用imgaug库对批量图像进行数据增强并可视化
imgaug库指南（三）：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 —— 高斯模糊
imgaug库指南（四）：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 —— 均值模糊
imgaug库指南（五）：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 —— 中值模糊/滤波，并介绍了如何利用【中值滤波】过滤椒盐噪声
imgaug库指南（六）：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 —— 双边模糊/滤波
imgaug库指南（七）：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 —— 运动模糊
imgaug库指南（八）：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 —— 均值迁移模糊

在本博客中，我们将向您详细介绍imgaug库的数据增强方法 —— 加性噪声(Add方法)。

---

加性噪声(Add)

功能介绍

iaa.Add是imgaug库中的一个方法，用于对图像进行加法运算。加法运算可以用于增加图像的亮度，也可以用于为图像添加加性噪声。

语法

import imgaug.augmenters as iaa
iaa.Add(value=80, per_channel=False)

• value:
  • 若value为整数，则为每幅图像的像素值加上value；
  • 若value为元组(a, b)，则为每幅图像的像素值加上从区间[a, b]中随机采样的整数；
  • 若value为列表，则为每幅图像的像素值加上从列表中随机采样的整数；
• per_channel:
  • 若per_channel为True，且value为元组(a, b)或列表，则为每幅图像的每个通道的像素值加上随机采样的整数(三通道则三个随机整数)；
  • 若per_channel为False，且value为元组(a, b)或列表，则为每幅图像的每个通道的像素值加上随机采样的相同整数(三个通道都是同一个随机整数)；
  • 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；

示例代码

1. 使用不同的value

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)


# 创建亮度增强器
aug1 = iaa.Add(value=-80, per_channel=False)
aug2 = iaa.Add(value=80, per_channel=False)
aug3 = iaa.Add(value=160, per_channel=False)


# 对图像进行数据增强
blurred_image1 = aug1(image=image)
blurred_image2 = aug2(image=image)
blurred_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(blurred_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(blurred_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(blurred_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

可以看到，三幅数据增强后的图像，其亮度相对于原图而言，都整体变亮/暗了。

2. 使用元组类型的value，且per_channel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)

# 创建增强器
aug1 = iaa.Add(value=(-80, 80), per_channel=True)
aug2 = iaa.Add(value=(-80, 80), per_channel=True)
aug3 = iaa.Add(value=(-80, 80), per_channel=True)

# 对图像进行数据增强
blurred_image1 = aug1(image=image)
blurred_image2 = aug2(image=image)
blurred_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(blurred_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(blurred_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(blurred_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

可以从图2看出，当使用元组类型的value，且per_channel为True时 ⇒ 增强器为RGB图像的三个通道分别添加了三个随机整数 ⇒ 数据增强后，新图像的颜色整体上发生了很大的变化。

注意事项

1. 值的选择：value参数决定了添加到图像的亮度值。如果选择的值过大，可能会导致图像出现严重失真。因此，需要根据图像的内容和预期效果来选择合适的值。
2. 通道处理：per_channel参数决定了是否对每个颜色通道应用相同的value。如果设置为True，则每个通道都增加相同的值；如果设置为False（默认），则所有通道都增加相同的值。需要根据具体情况选择合适的设置。
3. 计算效率：Add方法的时间复杂度为O(1)，即其执行时间不依赖于输入图像的大小。因此，它在处理大型图像时相对较快。
4. 与其他增强器的结合使用：虽然示例中只使用了Add方法，但实际上可以在增强器序列中使用多个其他方法与Add方法结合使用，以创建更复杂的图像效果。
5. 结果的可重复性：由于加法运算具有确定性，每次使用相同的输入和参数调用Add方法时，将获得相同的结果。

总结

iaa.Add是imgaug库中一个简单而实用的方法，用于增加图像的亮度。通过调整value参数，可以在不同程度上增加图像的亮度。与其他图像增强方法结合使用，可以创建出更多样化的图像效果。使用时需要注意选择合适的值以避免过度增亮的情况。

---

小结

imgaug是一个强大的图像增强库，它可以帮助你创建出丰富多样的训练数据，从而改进你的深度学习模型的性能。通过定制变换序列和参数，你可以轻松地适应各种应用场景，从计算机视觉到医学影像分析。随着深度学习的发展，imgaug在未来将继续发挥重要作用。因此，将imgaug纳入你的数据增强工具箱是一个明智的选择。

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！