基于Python的图像分类-数据集增强代码展示

约定不等于承诺〃 2022-10-16 04:50 262阅读 0赞

### 本项目主要用于提交和展示你们完善的数据集增强代码 ###

请把各个效果（翻转、旋转、位移等）操作效果都展示一遍）

提供图像400\*267像素

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FpcXExMzY_size_16_color_FFFFFF_t_70][]

记得改名

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FpcXExMzY_size_16_color_FFFFFF_t_70 1][]

import cv2
    import math
    import numpy as np
    from PIL import Image
    import matplotlib.pyplot as plt
    
    def DotMatrix(A,B):
        '''
        A,B:需要做乘法的两个矩阵，注意输入矩阵的维度ndim是否满足乘法要求（要做判断）
        '''
        
        return np.matmul(A,B)
    
    class Img:
        def __init__(self,image,rows,cols,center=[0,0]):
            self.src=image #原始图像
            self.rows=rows #原始图像的行
            self.cols=cols #原始图像的列
            self.center=center #旋转中心，默认是[0,0]
            self.rotate = False
    
        def Move(self,delta_x,delta_y):      
            '''
            本函数处理生成做图像平移的矩阵
            '''
            self.transform=np.array([[1,0,delta_x],[0,1,delta_y],[0,0,1]])
            self.rotate = False
    
        def Zoom(self,factor):               #缩放
            #factor>1表示缩小；factor<1表示放大
            self.transform=np.array([[factor,0,0],[0,factor,0],[0,0,factor]])
            self.rotate = False
        def Horizontal(self):                
            '''水平镜像 
            镜像的这两个函数，因为原始图像读进来后是height×width×3,和我们本身思路width×height×3相反
            所以造成了此处水平镜像和垂直镜像实现的效果是反的'''
            self.transform=np.array([[-1,0,self.rows],[0,1,0],[0,0,1]])      
            self.rotate = False
    
        def Vertically(self):                
            #垂直镜像，注意实现原理的矩阵和最后实现效果是和水平镜像是反的
            self.transform=np.array([[1,0,0],
                                    [0,-1,self.cols],
                                    [0,0,1]])
            self.rotate = False
    
    
        def Rotate(self,beta):               # 旋转
                                             # beta>0表示逆时针旋转；beta<0表示顺时针旋转
            self.transform=np.array([[math.cos(beta),-math.sin(beta),0],
                                     [math.sin(beta), math.cos(beta),0],
                                     [    0,              0,         1]])
            self.rotate =True
        def Process(self):
            if self.rotate:
                self.center=[int(self.rows/2),int(self.cols/2)] 
            #初始化定义目标图像，具有3通道RBG值
            self.dst=np.zeros((self.rows,self.cols,3),dtype=np.uint8)
    
            #提供for循环，遍历图像中的每个像素点，然后使用矩阵乘法，找到变换后的坐标位置
            for i in range(self.rows):
                for j in range(self.cols):
                    
                    src_pos=np.array([i-self.center[0],j-self.center[1],1])#设置原始坐标点矩阵
                    [x,y,z]=DotMatrix(self.transform,src_pos)#和对应变换做矩阵乘法
                    
                    x=int(x)+self.center[0]
                    y=int(y)+self.center[1]
    
                    if x>=self.rows or y>=self.cols or x<0 or y<0:
                        self.dst[i][j]=255 #处理未落在原图像中的点的情况
                    else:
                        self.dst[i][j]=self.src[x][y]#使用变换后的位置
    
    if __name__=='__main__':
        
        infer_path=r'sample_picture.jpg'#要处理的单个图片地址
        imgv = Image.open(infer_path)#打开图片
        plt.imshow(imgv) #根据数组绘制图像
        plt.show() #显示图像
        
        rows = imgv.size[1]
        cols = imgv.size[0]
        print(rows,cols)#注意此处rows和cols的取值方式
        
        imgv=np.array(imgv)#从图像生成数组
        img=Img(imgv,rows,cols,[0,0])#生成一个自定Img类对象[0,0]代表处理的中心点
        
    
    
        img.Vertically() #选择处理矩阵
        img.Process()#进行矩阵变换
        img2=Image.fromarray(img.dst)#从处理后的数组生成图像
        plt.imshow(img2)
        print("水平翻转")
        plt.show()
    
    
        img.Horizontal() #选择处理矩阵
        img.Process()#进行矩阵变换
        img2=Image.fromarray(img.dst)#从处理后的数组生成图像
        plt.imshow(img2)
        print("垂直翻转")
        plt.show()
    
    
        img.Rotate(math.radians(180)) #选择处理矩阵
        img.Process()#进行矩阵变换
        img2=Image.fromarray(img.dst)#从处理后的数组生成图像
        plt.imshow(img2)
        print("旋转")
        plt.show()
    
    
        img.Move(-50,-50) #选择处理矩阵
        img.Process()#进行矩阵变换
        img2=Image.fromarray(img.dst)#从处理后的数组生成图像
        plt.imshow(img2)
        print("平移")
        plt.show()
    
        img.Zoom(0.5) #选择处理矩阵
        img.Process()#进行矩阵变换
        img2=Image.fromarray(img.dst)#从处理后的数组生成图像
        plt.imshow(img2)
        print("放缩")
        plt.show()
        
        '''
        img.Vertically() #镜像(0,0)
        img.Horizontal() #镜像（0，0）
        img.Rotate(math.radians(180))  #旋转点选择图像大小的中心点
        img.Move(-50,-50) #平移
        img.Zoom(0.5) #缩放
        '''

### 结果 ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FpcXExMzY_size_16_color_FFFFFF_t_70 2][]

267 400
    水平翻转

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FpcXExMzY_size_16_color_FFFFFF_t_70 3][]

垂直翻转

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FpcXExMzY_size_16_color_FFFFFF_t_70 4][]

旋转

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FpcXExMzY_size_16_color_FFFFFF_t_70 5][]

平移

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FpcXExMzY_size_16_color_FFFFFF_t_70 6][]

放缩

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FpcXExMzY_size_16_color_FFFFFF_t_70 7][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FpcXExMzY_size_16_color_FFFFFF_t_70]: /images/20221014/c49dc8ee92554ef688736468ffd97783.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FpcXExMzY_size_16_color_FFFFFF_t_70 1]: /images/20221014/7600942773544a55a190ad5d1b310818.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FpcXExMzY_size_16_color_FFFFFF_t_70 2]: /images/20221014/f8ce9b6d41ef4a8cac4011df4ddc9b71.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FpcXExMzY_size_16_color_FFFFFF_t_70 3]: /images/20221014/7b2d0c23516b4397860391d6319ab3db.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FpcXExMzY_size_16_color_FFFFFF_t_70 4]: /images/20221014/e1026cafb79149cda72fcb864ab7ffd4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FpcXExMzY_size_16_color_FFFFFF_t_70 5]: /images/20221014/22d1e2d5bc2f4f929353f13b494b53db.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FpcXExMzY_size_16_color_FFFFFF_t_70 6]: /images/20221014/32a84deaecda449f9489f14f4c81a713.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2FpcXExMzY_size_16_color_FFFFFF_t_70 7]: /images/20221014/205f7674303b41d5b1de464530052658.png