成都网站建设 Vr功能 卓 公司,进一步加强网站建设,公司网站维护怎么做,成都住建局官网楼盘销售情况文章目录 一、实验介绍二、实验环境1. 配置虚拟环境2. 库版本介绍 三、实验内容0. 导入必要的库1. PIL基础操作2~4. 随机遮挡、随机擦除、线性混合5. 图像合成5.1 原理5.2 实现5.3 效果展示 6. 图像融合6.1 原理6.2 实现6.3 效果展示 一、实验介绍 在深度学习任务中#xff0c… 文章目录 一、实验介绍二、实验环境1. 配置虚拟环境2. 库版本介绍 三、实验内容0. 导入必要的库1. PIL基础操作2~4. 随机遮挡、随机擦除、线性混合5. 图像合成5.1 原理5.2 实现5.3 效果展示 6. 图像融合6.1 原理6.2 实现6.3 效果展示 一、实验介绍 在深度学习任务中数据增强是提高模型泛化能力的关键步骤之一。通过对训练集进行变换和扩充可以有效地增加数据量引入样本之间的差异使模型更好地适应不同的输入。 本实验将继续实现自定义图像数据增强操作具体包括图像合成粘贴组合、图像融合创建高斯掩码融合两个图像 二、实验环境
1. 配置虚拟环境
conda create -n Image python3.9 conda activate Imageconda install pillow numpy2. 库版本介绍
软件包本实验版本numpy1.21.5python3.9.13pillow9.2.0
三、实验内容
0. 导入必要的库
import numpy as np
from PIL import Image
1. PIL基础操作
【深度学习实验】图像处理一Python Imaging LibraryPIL库图像读取、写入、复制、粘贴、几何变换、图像增强、图像滤波
【深度学习实验】图像处理二PIL 和 PyTorchtransforms中的图像处理与随机图片增强
2~4. 随机遮挡、随机擦除、线性混合
【深度学习实验】图像处理三PIL——自定义图像数据增强操作随机遮挡、擦除、线性混合
5. 图像合成
5.1 原理 输入图像 图像1 \text{图像1} 图像1 图像2 \text{图像2} 图像2 遮挡和选择 遮挡图像1中的区域 x x x 随机选择要遮挡的图像1中的区域 x x x引入了训练数据的变异性 从图像2中选择对应区域 y y y 选择与图像1中被遮挡区域 x x x 相对应的图像2中的区域 y y y 粘贴 将 y y y 粘贴到图像1中的 x x x 位置 将从图像2中选择的区域 y y y 粘贴到图像1中被遮挡的区域 x x x 的位置模拟了一种图像混合的效果 输出 返回增强后的图像1其中现在包含了粘贴的区域 y y y。
5.2 实现
class Combine(object):def __init__(self,x_start, y_start, x_end, y_end):self.x_start x_startself.y_start y_startself.x_end x_endself.y_end y_enddef __call__(self, img1, img2):# Masking out a region x of image1img1_array np.array(img1)img1_array[self.y_start:self.y_end, self.x_start:self.x_end] 0img1_masked Image.fromarray(img1_array.astype(uint8)).convert(RGB)# Selecting a region y of the same as x from image2region_y img2.crop((self.x_start, self.y_start, self.x_end, self.y_end))# Pasting region y on the location of x of image1img1_masked.paste(region_y, (self.x_start, self.y_start))return img1_masked
5.3 效果展示
img1 Image.open(3.png).convert(RGB)
img2 Image.open(2.png).convert(RGB)
combine Combine(628, 128, 1012, 512)
img combine(img1,img2)
img.save(./combine_image.png) 6. 图像融合
6.1 原理 通过高斯核函数创建掩码以在两个图像之间进行融合。
调整样本 x j x_j xj2.jpg的大小以匹配样本 x i x_i xi1.jpg在 x i x_i xi或 x j x_j xj内选择一个随机位置 C C C使用二维标准高斯核函数创建掩码 G G G确保其中心与位置 C C C 对齐并且其大小与 x i x_i xi 相匹配使用 G G G 修改 x i x_i xi并使用 1 − G 1-G 1−G 修改 x j x_j xj将得到的修改组合在一起得到 x ^ \hat x x^返回 x ^ \hat x x^。
6.2 实现
class Gaussian(object):def __init__(self, sigma):# 混合参数self.sigma sigmadef __call__(self, img1, img2):# Choose a random position, labeled as $C$, within $x_i$ (or $x_j$)self.size img1.shape[1], img1.shape[0]print(self.size)x np.random.randint(0, img1.shape[1])y np.random.randint(0, img1.shape[0])position_c (x, y)print(position_c)# Create mask $G$ using a 2D standard Gaussian kernel function,# ensuring its center aligns with position $C$, and the size of $G$ matches that of $x_i$mask_g self.gaussian_mask(position_c)# print(mask_g.shape)mask_g np.expand_dims(mask_g, axis2)mask_g np.repeat(mask_g, 3, axis2)# print(mask_g.shape)# Use $G$ to modify $x_i$ and use $1-G$ to modify $x_j$# Combine the resulting modifications together as $\hat x$hat_x img1 * mask_g img2 * (1 - mask_g)return hat_xdef gaussian_mask(self, center):x, y np.meshgrid(np.arange(0, self.size[0]), np.arange(0, self.size[1]))d np.sqrt((x - center[0]) ** 2 (y - center[1]) ** 2)gaussian_mask np.exp(-(d ** 2 / (2.0 * self.sigma ** 2)))return gaussian_mask
6.3 效果展示
# Input two images, which are image1 (1.jpg) and image2 (2.jpg)
img1 Image.open(2.png).convert(RGB)
img2 Image.open(3.png).convert(RGB)
# Adjust the size of Sample $x_j$ (2.jpg) to match Sample $x_i$ (1.jpg)
img2 img2.resize(img1.size, Image.Resampling.BICUBIC)
img1 np.array(img1)
img2 np.array(img2)
gaussian Gaussian(300)
img gaussian(img1,img2)
img Image.fromarray(img.astype(uint8)).convert(RGB)
img.save(./gaussian_image.png)
