神经网络训练中图像数据预处理的一些方式(一)

神经网络训练中图像数据预处理的一些方式

1. crop

1. 1 对于有黑色背景的图片，将数据crop在有效区域内

对于一些有黑色背景的图片，如下图：

这样的图片在做数据预处理的时候，黑色背景的无效区域，带来了很大的运算量开销。面对这种图片，我们一般先将区域限制到它的有效区域。
代码如下：

import numpy as npfrom skimage.filters import threshold_otsufrom skimage import measure, exposureimport skimagedef tight_crop(img, size=None):    img_gray = np.mean(img, 2)    img_bw = img_gray > threshold_otsu(img_gray)    img_label = measure.label(img_bw, background=0)    largest_label = np.argmax(np.bincount(img_label.flatten())[1:])+1    img_circ = (img_label == largest_label)    img_xs = np.sum(img_circ, 0)    img_ys = np.sum(img_circ, 1)    xs = np.where(img_xs>0)    ys = np.where(img_ys>0)    x_lo = np.min(xs)    x_hi = np.max(xs)    y_lo = np.min(ys)    y_hi = np.max(ys)    img_crop = img[y_lo:y_hi, x_lo:x_hi, :]    return img_cropimport scipy.miscfrom PIL import Imageimg = scipy.misc.imread('./raw1.jpg')img = img.astype(np.float32)img /= 255img_crop = tight_crop(img)pilImage = Image.fromarray(skimage.util.img_as_ubyte(img_crop))pilImage.show()

结果如下：

2. 对比度

接1，有一些图像可能比较模糊，对比度增强可能有很好的效果。对比度增强的方式很多。

2.1 adaptive histogram equalization

代码

def channelwise_ahe(img):    img_ahe = img.copy()    for i in range(img.shape[2]):        img_ahe[:,:,i] = exposure.equalize_adapthist(img[:,:,i], clip_limit=0.03)    return img_aheimg_ahe = channelwise_ahe(img_crop)pilImage = Image.fromarray(skimage.util.img_as_ubyte(img_ahe))pilImage.show()

效果如下：

待续。。。