免费久久国产&夜夜毛片&亚洲最大无码中文字幕&国产成人无码免费视频之奶水&吴家丽查理三级做爰&国产日本亚欧在线观看

最近，在研究項目中，開始了解圖像增強技術的重要性。該項目的目標是訓練一個能夠重建原始圖像的魯棒生成模型。所解決的問題是異常檢測，這是一個相當具有挑戰性的問題，因為數據量很小，而且模型不足以單獨完成所有工作。

常見的場景是使用可用于訓練的正常圖像訓練網絡模型，并在包含正常圖像和異常圖像的測試集上評估其性能。

最初的假設是，生成模型應該很好地捕捉正態分布，但同時，它應該無法重建異常樣本。如何驗證這一假設？我們可以看到重建誤差，異常圖像的重建誤差應該較高，而正常樣本的重建誤差應該較低。

在這篇文章中，將列出最好的數據增強技術，以增加數據集中圖像的大小和多樣性。其主要目的是提高模型的性能和泛化能力。

我們將探索簡單的變換，如旋轉、裁剪和高斯模糊，以及更復雜的技術，如高斯噪聲和隨機塊。

圖像增強技術：

1、簡單變換

· 調整大小

· 灰度

· 規范化

· 隨機旋轉

· 中心裁剪

· 隨機裁剪

· 高斯模糊

2、更先進的技術

· 高斯噪聲

· 隨機塊

· 中心區域

1、表面裂紋數據集簡介

在本教程中，我們將使用表面裂紋檢測數據集。你可以在此處或Kaggle上下載數據集：

從名稱可以推斷，它提供了有裂紋和無裂紋曲面的圖像。因此，它可以作為異常檢測任務的數據集，其中異常類由有裂紋的圖像表示，而正常類由無裂紋的表面表示。

該數據集包含4000幅有缺陷和無缺陷表面的彩色圖像。這兩個類都有訓練和測試集。此外，以227×227像素的分辨率獲取每個數據集圖像。

2、簡單變換

本節包括torchvision中可用的不同轉換模塊。在深入研究之前，我們從訓練數據集中導入模塊和一個沒有缺陷的圖像。

from PIL import Image

from pathlib import Path

import matplotlib．pyplot as plt

import numpy as np

import sys

import torch

import numpy as np

import torchvision．transforms as T

plt．rcParams［＂savefig．bbox＂］ ＝ ＇tight＇

orig＿img ＝ Image．open（Path（＇．．／input／surface－crack－detection／Negative／00026．jpg＇））

torch．manual＿seed（0）

data＿path ＝ ＇．．／input／surface－crack－detection／＇

diz＿class ＝ ｛＇Positive＇：＇Crack＇，＇Negative＇：＇No crack＇｝

讓我們顯示圖像的尺寸：

np．asarray（orig＿img）．shape  ＃（227， 227， 3）

這意味著我們有一個227x227的圖像，有3個通道。

調整大小

由于圖像具有很高的高度和寬度，因此在將其傳遞給神經網絡之前，需要降低維數。例如，我們可以將227x227圖像調整為32x32和128x128圖像。

resized＿imgs ＝ ［T．Resize（size＝size）（orig＿img） for size in ［32，128］］

plot（resized＿imgs，col＿title＝［＂32x32＂，＂128x128＂］）

值得注意的是，當我們獲得一幅32x32的圖像時，我們會失去分辨率，而128x128的尺寸似乎可以保持樣品的高分辨率。

灰度等級

RGB圖像可能很難管理。因此，將圖像轉換為灰度可能很有用：

gray＿img ＝ T．Grayscale（）（orig＿img）

plot（［gray＿img］， cmap＝＇gray＇， col＿title＝［＂Gray＂］）

規范化

規范化是一種有效的方法，可以加快基于神經網絡結構的模型的計算速度，加快學習速度。規范化圖像有兩個步驟：

· 我們從每個輸入通道中減去通道平均值

· 稍后，我們將其除以通道標準差。

我們可以顯示原始圖像及其規范化版本：

normalized＿img ＝ T．Normalize（mean＝（0．5， 0．5， 0．5）， std＝（0．5， 0．5， 0．5））（T．ToTensor（）（orig＿img））

normalized＿img ＝ ［T．ToPILImage（）（normalized＿img）］

plot（normalized＿img， col＿title＝［＂Standard normalize＂］）

隨機旋轉

隨機旋轉方法以隨機角度旋轉圖像。

rotated＿imgs ＝ ［T．RandomRotation（degrees＝d）（orig＿img） for d in range（50，151，50）］

plot（rotated＿imgs， col＿title＝［＂Rotation 50＂，＂Rotation 100＂，＂Rotation 150＂］）

中心裁剪

我們使用T．CenterCrop方法裁剪圖像的中心部分，其中需要指定裁剪大小。

center＿crops ＝ ［T．CenterCrop（size＝size）（orig＿img） for size in （128，64， 32）］

plot（center＿crops，col＿title＝［＇128x128＇，＇64x64＇，＇32x32＇］）

當圖像的邊界中有一個大背景，而分類任務根本不需要這個背景時，這種轉換非常有用。

隨機裁剪

我們沒有裁剪圖像的中心部分，而是通過T．RandomCrop方法隨機裁剪圖像的一部分，該方法將裁剪的輸出大小作為參數。

random＿crops ＝ ［T．RandomCrop（size＝size）（orig＿img） for size in （832，704， 256）］

plot（random＿crops，col＿title＝［＇832x832＇，＇704x704＇，＇256x256＇］）

高斯模糊

我們使用高斯核對圖像進行高斯模糊變換。這種方法有助于降低圖像的清晰度和清晰度，然后將生成的圖像輸入到神經網絡中，神經網絡在樣本的學習模式方面變得更加穩健。

blurred＿imgs ＝ ［T．GaussianBlur（kernel＿size＝（51， 91）， sigma＝sigma）（orig＿img） for sigma in （3，7）］

plot（blurred＿imgs）

3、更先進的技術

前面展示了PyTorch提供的簡單轉換示例。現在，我們將重點討論從零開始實現的更復雜的技術。

高斯噪聲

高斯噪聲是一種常用的向整個數據集添加噪聲的方法，它迫使模型學習數據中包含的最重要信息。

它包括注入高斯噪聲矩陣，高斯噪聲矩陣是從高斯分布中提取的隨機值矩陣。稍后，我們將在0和1之間剪裁樣本。噪聲因子越高，圖像的噪聲越大。

def add＿noise（inputs，noise＿factor＝0．3）：

    noisy ＝ inputs＋torch．randn＿like（inputs） ＊ noise＿factor

    noisy ＝ torch．clip（noisy，0．，1．）

    return noisy
   

noise＿imgs ＝ ［add＿noise（T．ToTensor（）（orig＿img），noise＿factor） for noise＿factor in （0．3，0．6，0．9）］

noise＿imgs ＝ ［T．ToPILImage（）（noise＿img） for noise＿img in noise＿imgs］

plot（noise＿imgs， col＿title＝［＂noise＿factor＝0．3＂，＂noise＿factor＝0．6＂，＂noise＿factor＝0．9＂］）

隨機塊

正方形補丁隨機應用在圖像中。這些補丁的數量越多，神經網絡解決問題的難度就越大。

def add＿random＿boxes（img，n＿k，size＝32）：

   h，w ＝ size，size

   img ＝ np．asarray（img）

   img＿size ＝ img．shape［1］

   boxes ＝ ［］

   for k in range（n＿k）：

       y，x ＝ np．random．randint（0，img＿size－w，（2，））

       img［y：y＋h，x：x＋w］ ＝ 0

       boxes．append（（x，y，h，w））

   img ＝ Image．fromarray（img．astype（＇uint8＇）， ＇RGB＇）

   return img

blocks＿imgs ＝ ［add＿random＿boxes（orig＿img，n＿k＝i） for i in （10，20）］

plot（blocks＿imgs，col＿title＝［＂10 black boxes＂，＂20 black boxes＂］）

中心區域

這是一種非常簡單的方法，可以使模型更一般化。它包括在圖像的中心區域添加一個補丁塊。

def add＿central＿region（img，size＝32）：

   h，w ＝ size，size

   img ＝ np．asarray（img）

   img＿size ＝ img．shape［1］

   img［int（img＿size／2－h）：int（img＿size／2＋h），int（img＿size／2－w）：int（img＿size／2＋w）］ ＝ 0

   img ＝ Image．fromarray（img．astype（＇uint8＇）， ＇RGB＇）
   return img
 

central＿imgs ＝ ［add＿central＿region（orig＿img，size＝s） for s in （32，64）］

plot（central＿imgs，col＿title＝［＂32＂，＂64＂］）

最后的想法：

希望你發現本教程很有用。目的是對基于神經網絡的圖像增強方法進行概述，以解決模型的泛化問題。代碼位于GitHub上：

感謝閱讀！

       原文標題 : 使用Pytorch進行圖像增強的綜合教程