回家之后再来实验室真的太忙啦！最近简书估计会量产啦~
刚刚因为比赛做了一个数据处理…那就把代码简要记录一下。
——————
关于数据增强在之前的文字里面已经提过了，这里就不细说，直接上代码
详见：数据增强之批量修改图像尺寸大小（附Python实现）
————————
可以使用keras来自动的进行data augmentation
from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_img
from PIL import Image
datagen = ImageDataGenerator(
rotation_range=20,
width_shift_range=0.08,
height_shift_range=0.08,
shear_range=0.1,
zoom_range=0.1,
fill_mode='nearest')
img = load_img('F:/1/50611.jpg') # 这是一个PIL图像
x = img_to_array(img)
# 把PIL图像转换成一个numpy数组，形状为(3, 150, 150)
x = x.reshape((1,) + x.shape)
# 这是一个numpy数组，形状为 (1, 3, 150, 150)
# 下面是生产图片的代码
# 生产的所有图片保存在
i = 0
for batch in datagen.flow(x, batch_size=1,
save_to_dir='F:/2', save_prefix='plate', save_format='jpeg'):
i += 1
if i > 50:
break
# 否则生成器会退出循环
贴上的代码是针对于单张图片的，部分ImageDataGenerator参数介绍如下：
rotation_range：整数，数据提升时图片随机转动的角度
width_shift_range：浮点数，图片宽度的某个比例，数据提升时图片水平偏移的幅度
height_shift_range：浮点数，图片高度的某个比例，数据提升时图片竖直偏移的幅度
rescale: 重放缩因子,默认为None. 如果为None或0则不进行放缩,否则会将该数值乘到数据上(在应用其他变换之前)
shear_range：浮点数，剪切强度（逆时针方向的剪切变换角度）
zoom_range：浮点数或形如[lower,upper]的列表，随机缩放的幅度，若为浮点数，则相当于[lower,upper] = [1 - zoom_range, 1+zoom_range]
fill_mode：‘constant’‘nearest’，‘reflect’或‘wrap’之一，当进行变换时超出边界的点将根据本参数给定的方法进行处理
cval：浮点数或整数，fill_mode=constant时，要向超出边界的点填充的值
channel_shift_range: Float. Range for random channel shifts.
horizontal_flip：布尔值，进行随机水平翻转
vertical_flip：布尔值，进行随机竖直翻转
rescale: 重放缩因子,默认为None. 如果为None或0则不进行放缩,否则会将该数值乘到数据上(在应用其他变换之前）
flow函数定义
flow(self, X, y, batch_size=32, shuffle=True, seed=None, save_to_dir=None, save_prefix=”, save_format=’jpeg’)：接收numpy数组和标签为参数,生成经过数据提升或标准化后的batch数据,并在一个无限循环中不断的返回batch数据.
flow函数的参数
X：样本数据，秩应为4.
在黑白图像的情况下channel轴的值为1，在彩色图像情况下值为3
y：标签
batch_size：整数，默认32
shuffle：布尔值，是否随机打乱数据，默认为True
save_to_dir：None或字符串，该参数能让你将提升后的图片保存起来，用以可视化
save_prefix：字符串，保存提升后图片时使用的前缀, 仅当设置了save_to_dir时生效
save_format：”png”或”jpeg”之一，指定保存图片的数据格式,默认”jpeg”
yields:形如(x,y)的tuple,x是代表图像数据的numpy数组.y是代表标签的numpy数组.该迭代器无限循环.
seed: 整数,随机数种子
效果呈现：
原图：
效果图：(没有采用翻转）
——————
友情参考：keras入门 --- Data augmentation(数据扩充)
