如何在Keras中生成比训练大小更多的增强图像？

Question

我知道图像的数据增强技术。然而，我对如何生成增强的数据有疑问。

我将使用Keras和Tensorflow共享我的场景和代码，但是对于任何库，这个概念都是相同的。

以下场景的图像增强技术：

随机Rotation

• Random

在Keras中，我们使用ImageDataGenerator来增强图像，而数据被提取用于训练。例如，如果我们有100张图片要开始。然后，ImageDataGenerator将在这些图像上应用上述提到的转换，并在每个时期输出100图像(默认ImageDataGenerator)。

但是，如果我们实现我们自己的ImageDataGenerator，我们也可以实现它来返回100 + 2*100 =300个图像进行培训。

上面提到的场景中哪一种总体上是好的？

Answer 1

如果您使用相同的100张图片，并在三个时期内进行增强，您将得到300张独特的图片。每次加载图片时，Keras都会应用随机转换。

看下面。这是一个图像数据集的16次重复。相同的图像从未以同样的方式被转换。

import tensorflow as tf
import matplotlib.pyplot as plt
from sklearn.datasets import load_sample_image
import numpy as np

imgs = np.stack([load_sample_image('flower.jpg') for i in range(4*4)], axis=0)

data_gen = tf.keras.preprocessing.image.ImageDataGenerator(
    rotation_range = 90,
    width_shift_range = 0.1,
    height_shift_range = 0.1,
    horizontal_flip = True,
    preprocessing_function=lambda x: x[..., np.random.permutation([0, 1, 2])]
)

fig = plt.figure(figsize=(4, 4))
for index, image in enumerate(next(data_gen.flow(imgs)).astype(int)):
    ax = plt.subplot(4, 4, index + 1)
    ax.set_xticks([])
    ax.set_yticks([])
    ax.imshow(image)
plt.show()

​

​