计算机视觉实践（街景字符编码识别）——Task02：数据读取与数据扩增

喜欢ヅ旅行 2023-02-11 10:27 2阅读 0赞

原教程：[计算机视觉实践（街景字符编码识别） datawhalechina/team-learning · GitHub][datawhalechina_team-learning _ GitHub]

### Task02：数据读取与数据扩增 ###

*  一、数据读取
 *   *  1.Pillow
     *  2.OpenCV
 *  二、数据扩增方法
 *   *  1.数据扩增介绍
     *  2.常见的数据扩增方法
     *  3.常用的数据扩增库
 *  三、具体代码

# 一、数据读取 #

由于赛题数据是图像数据，赛题的任务是识别图像中的字符。因此我们首先需要完成对数据的读取操作，在Python中有很多库可以完成数据读取的操作，比较常见的有Pillow和OpenCV。

## 1.Pillow ##

Pillow是**Python图像处理函式库PIL**的一个分支。

Pillow提供了常见的图像读取和处理的操作，而且可以与ipython notebook无缝集成，是应用比较广泛的库。

官方文档：[Pillow — Pillow (PIL Fork) 7.1.2 documentation][Pillow _ Pillow _PIL Fork_ 7.1.2 documentation]

下面介绍关于pillow的一些基本操作，先给出原图像  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70]

*  **读取图像**

# 导入Pillow库
    from PIL import Image
    
    # 读取图片
    im = Image.open('cat.jpg')

*  **图像的过滤和增强**

PIL库的ImageFilter类提供了过滤图像的方法，共10种方法如下：

<table> 
 <thead> 
  <tr> 
   <th>方法</th> 
   <th>表示描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>ImageFiter.BLUR</td> 
   <td>图像的模糊效果</td> 
  </tr> 
  <tr> 
   <td>ImageFilter.CONTOUR</td> 
   <td>图像的轮廓效果</td> 
  </tr> 
  <tr> 
   <td>ImageFilter.DETAIL</td> 
   <td>图像的细节效果</td> 
  </tr> 
  <tr> 
   <td>ImageFilter.EDGE ENHANCE</td> 
   <td>图像的边界加强效果</td> 
  </tr> 
  <tr> 
   <td>ImageFilter.EDGE ENHANCE MORE</td> 
   <td>图像的阈值边界加强效果</td> 
  </tr> 
  <tr> 
   <td>ImageFilter.EMBOSS</td> 
   <td>图像的浮雕效果</td> 
  </tr> 
  <tr> 
   <td>ImageFilter.FIND EDGES</td> 
   <td>图像的边界效果</td> 
  </tr> 
  <tr> 
   <td>ImageFilter.SMOOTH</td> 
   <td>图像的平滑效果</td> 
  </tr> 
  <tr> 
   <td>ImageFilter.SMOOTH MORE</td> 
   <td>图像的阈值平滑效果</td> 
  </tr> 
  <tr> 
   <td>ImageFilter. SHARPEN</td> 
   <td>图像的锐化效果</td> 
  </tr> 
 </tbody> 
</table>

# 导入模糊库
    from PIL import ImageFilter
    
    # 应用模糊滤镜:
    im1 = im.filter(ImageFilter.BLUR)
    im1.save('blur.jpg', 'jpeg')

结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 1]  
PIL库的ImageEnhance类提供了更高级的图像增强需求，它提供了调整色彩度、亮度、对比度、锐化等功能。方法如下：

<table> 
 <thead> 
  <tr> 
   <th>方法</th> 
   <th>表示描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>ImageEnhance. enhance(factor)</td> 
   <td>对选择属性的数值增强factor倍</td> 
  </tr> 
  <tr> 
   <td>ImageEnhance.Color(im)</td> 
   <td>调整图像的颜色平衡</td> 
  </tr> 
  <tr> 
   <td>ImageEnhance.Contrast(im)</td> 
   <td>调整图像的对比度</td> 
  </tr> 
  <tr> 
   <td>ImageEnhance .Brightness(im)</td> 
   <td>调整图像的亮度</td> 
  </tr> 
  <tr> 
   <td>ImageEnhance.Sharpness(im)</td> 
   <td>调整图像的锐度</td> 
  </tr> 
 </tbody> 
</table>

# 导入增强库
    from PIL import ImageEnhance
    
    # 增强1.8倍对比度
    im11 = ImageEnhance.Contrast(im).enhance(1.8)
    im11.save('enhanceContrast.jpg', 'jpeg')

结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 2]

*  **图像缩放**  
    pillow中有两种方法可以对图片大小进行处理：**resize()方法**和**thumbnail()方法**  
    区别如下：  
    1.resize()方法可以缩小也可以放大，而thumbnail()方法只能缩小；  
    2.resize()方法不会改变对象的大小，只会返回一个新的Image对象，而thumbnail()方法会直接改变对象的大小，返回值为none；  
    3.resize()方法中的size参数直接规定了修改后的大小，而thumbnail()方法按比例缩小，size参数只规定修改后size的最大值。  
    （按比例缩小指长和宽按指定比例缩小，但不会大于给定size参数）

# 提取原图像尺寸（单位：像素）
    w,h = im.size
    # 缩图（长和宽都缩小到原来的1/2）
    # thumbnail
    im2 = Image.open('cat.jpg')
    im2.thumbnail((w//2, h//2))
    im2.save('thumbnail.jpg', 'jpeg')
    # resize
    im22 = im.resize((w//2, h//2))
    im22.save('resize.jpg', 'jpeg')

结果：  
thumbnail  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 3]  
resize  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 4]

*  **旋转（此次用不着）**![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 5]

# (逆时针)旋转90度
    im3 = im.rotate(90)
    im3.save('rotate.jpg', 'jpeg')

## 2.OpenCV ##

OpenCV是一个跨平台的计算机视觉库，最早由Intel开源得来。OpenCV发展的非常早，拥有众多的计算机视觉、数字图像处理和机器视觉等功能。OpenCV在功能上比Pillow更加强大很多，学习成本也高很多。  
部分官方文档：  
[OpenCV 官网][OpenCV]  
[OpenCV Github][]  
[OpenCV 扩展算法库][OpenCV 1]  
以下只介绍部分与pillow不同的功能，关于opencv的模糊等操作可参考我之前写过的论文：  
[可视化\_nanashi\_F的博客-CSDN博客][nanashi_F_-CSDN]

*  **读取图像**

# 导入Opencv库
    import cv2
    
    img = cv2.imread('cat.jpg')

*  **转换为灰度图**

# Opencv默认颜色通道顺序是BRG，转换为灰度图像
    img1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    cv2.imwrite('gray.jpg',img1)

结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 6]

*  **Canny边缘检测**

# Canny边缘检测
    edges = cv2.Canny(img1, 30, 70)
    cv2.imwrite('canny.jpg', edges)

结果（人眼看有点吓人，不过更利于机器识别处理 ）：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 7]

# 二、数据扩增方法 #

## 1.数据扩增介绍 ##

在深度学习中数据扩增方法非常重要，数据扩增可以**增加训练集的样本**，同时也可以有效**缓解模型过拟合**的情况，也可以给模型带来的更强的泛化能力。

在深度学习模型的训练过程中，数据扩增是必不可少的环节。原因有二：

1.  现有深度学习的参数非常多，**样本的数量难以达到**，必须扩增数据；
2.  是数据扩增可以扩展样本多样性，使深度学习模型得出**更全面**的识别结果。

数据扩增方法有很多：  
从**颜色空间**、**尺度空间**到**样本空间**，同时根据不同任务数据扩增都有相应的区别。

对于图像分类，数据扩增一般不会改变标签；  
对于物体检测，数据扩增会改变物体坐标位置；  
对于图像分割，数据扩增会改变像素标签。

## 2.常见的数据扩增方法 ##

在常见的数据扩增方法中，一般会从图像颜色、尺寸、形态、空间和像素等角度进行变换。当然不同的数据扩增方法可以自由进行组合，得到更加丰富的数据扩增方法。

以torchvision为例，常见的数据扩增方法包括：

<table> 
 <thead> 
  <tr> 
   <th>方法</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>transforms.CenterCrop</td> 
   <td>对图片中心进行裁剪</td> 
  </tr> 
  <tr> 
   <td>transforms.ColorJitter</td> 
   <td>对图像颜色的对比度、饱和度和零度进行变换</td> 
  </tr> 
  <tr> 
   <td>transforms.FiveCrop</td> 
   <td>对图像四个角和中心进行裁剪得到五分图像</td> 
  </tr> 
  <tr> 
   <td>transforms.Grayscale</td> 
   <td>对图像进行灰度变换</td> 
  </tr> 
  <tr> 
   <td>transforms.Pad</td> 
   <td>使用固定值进行像素填充</td> 
  </tr> 
  <tr> 
   <td>transforms.RandomAffine</td> 
   <td>随机仿射变换</td> 
  </tr> 
  <tr> 
   <td>transforms.RandomCrop</td> 
   <td>随机区域裁剪</td> 
  </tr> 
  <tr> 
   <td>transforms.RandomHorizontalFlip</td> 
   <td>随机水平翻转</td> 
  </tr> 
  <tr> 
   <td>transforms.RandomRotation</td> 
   <td>随机旋转</td> 
  </tr> 
  <tr> 
   <td>transforms.RandomVerticalFlip</td> 
   <td>随机垂直翻转</td> 
  </tr> 
 </tbody> 
</table>

在本次赛题中，赛题任务是需要对图像中的字符进行识别，因此对于字符图片并**不能进行翻转操作**。比如字符6经过水平翻转就变成了字符9，会改变字符原本的含义。

## 3.常用的数据扩增库 ##

1.  [torchvision][]  
    pytorch官方提供的数据扩增库，提供了基本的数据数据扩增方法，可以无缝与torch进行集成；但数据扩增方法种类较少，且速度中等
2.  [imgaug][]  
    imgaug是常用的第三方数据扩增库，提供了多样的数据扩增方法，且组合起来非常方便，速度较快
3.  [albumentations][]  
    是常用的第三方数据扩增库，提供了多样的数据扩增方法，对图像分类、语义分割、物体检测和关键点检测都支持，速度较快

# 三、具体代码 #

由于本次赛题我们使用Pytorch框架讲解具体的解决方案，接下来将是解决赛题的第一步使用Pytorch读取赛题数据。  
在Pytorch中数据是通过Dataset进行封装，并通过DataLoder进行并行读取。所以我们只需要重载一下数据读取的逻辑就可以完成数据的读取。

*  导入所需库

import os, sys, glob, shutil, json
    import cv2
    
    from PIL import Image
    import numpy as np
    
    import torch
    from torch.utils.data.dataset import Dataset
    import torchvision.transforms as transforms

*  定义读取数据集

class SVHNDataset(Dataset):
        def __init__(self, img_path, img_label, transform = None):
            """ 初始化类，提取文件路径、标签及是否进行数据扩增作为该对象的基本参数 """
            self.img_path = img_path
            self.img_label = img_label 
            if transform is not None:
                self.transform = transform
            else:
                self.transform = None
    
        def __getitem__(self, index):
            """ 定义索引 """
            img = Image.open(self.img_path[index]).convert('RGB')
    
            if self.transform is not None:
                img = self.transform(img)
            
            # 类别10为数字0
            lbl = np.array(self.img_label[index], dtype=np.int)
            lbl = list(lbl)  + (5 - len(lbl)) * [10]
            return img, torch.from_numpy(np.array(lbl[:5]))
    
        def __len__(self):
            """ 定义长度 """
            return len(self.img_path)

*  读取数据同时进行数据扩增

train_path = glob.glob('../input/train/*.png')
    train_path.sort()
    train_json = json.load(open('../input/train.json'))
    train_label = [train_json[x]['label'] for x in train_json]
    
    data = SVHNDataset(train_path, train_label,
              transforms.Compose([
                  # 缩放到固定尺寸
                  transforms.Resize((64, 128)),
    
                  # 随机颜色变换
                  transforms.ColorJitter(0.2, 0.2, 0.2),
    
                  # 加入随机旋转
                  transforms.RandomRotation(5),
    
                  # 将图片转换为pytorch 的tesntor
                  # transforms.ToTensor(),
    
                  # 对图像像素进行归一化
                  # transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])
                ]))

结果示例：  
![在这里插入图片描述][20200523215258382.png]  
![在这里插入图片描述][20200523215311921.png]  
![在这里插入图片描述][20200523215323143.png]

*  在定义好的Dataset基础上构建DataLoder，实现**批量读取的迭代读取**  
    区别：Dataset对数据集的封装，提供索引方式的对数据样本进行读取；DataLoder对Dataset进行封装，提供批量读取的迭代读取

train_loader = torch.utils.data.DataLoader(
            SVHNDataset(train_path, train_label,
                       transforms.Compose([
                           transforms.Resize((64, 128)),
                           transforms.ColorJitter(0.3, 0.3, 0.2),
                           transforms.RandomRotation(5),
                           transforms.ToTensor(),
                           transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
                ])), 
        batch_size=10, # 每批样本个数
        shuffle=False, # 是否打乱顺序
        num_workers=10, # 读取的线程个数
    )
    
    for data in train_loader:
        break

在加入DataLoder后，数据按照批次获取，每批次调用Dataset读取单个样本进行拼接。此时data的格式为：  
torch.Size(\[10, 3, 64, 128\]), torch.Size(\[10, 6\])  
前者为图像文件，为batchsize \* chanel \* height \* width次序；后者为字符标签。

[datawhalechina_team-learning _ GitHub]: https://github.com/datawhalechina/team-learning/tree/master/03%20%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89/%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89%E5%AE%9E%E8%B7%B5%EF%BC%88%E8%A1%97%E6%99%AF%E5%AD%97%E7%AC%A6%E7%BC%96%E7%A0%81%E8%AF%86%E5%88%AB%EF%BC%89
[Pillow _ Pillow _PIL Fork_ 7.1.2 documentation]: https://pillow.readthedocs.io/en/stable/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200523182916335.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20200523182936993.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20200523210746341.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20200523183005128.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20200523183014944.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20200523211705934.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70
[OpenCV]: https://opencv.org/
[OpenCV Github]: https://github.com/opencv/opencv
[OpenCV 1]: https://github.com/opencv/opencv_contrib
[nanashi_F_-CSDN]: https://blog.csdn.net/nanashi_f/category_9613271.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20200523212515787.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 7]: https://img-blog.csdnimg.cn/20200523212555190.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70
[torchvision]: https://github.com/pytorch/vision
[imgaug]: https://github.com/aleju/imgaug
[albumentations]: https://albumentations.readthedocs.io
[20200523215258382.png]: https://img-blog.csdnimg.cn/20200523215258382.png
[20200523215311921.png]: https://img-blog.csdnimg.cn/20200523215311921.png
[20200523215323143.png]: https://img-blog.csdnimg.cn/20200523215323143.png