零基础入门CV之街道字符识别(二)
数据读取和数据扩增是一个很重要的步骤,处理得好的话可以大大提高模型的准确度。这里主要针对cv比赛的图片读取和扩增。
图像读取
对于图像数据,python中有很多库可以完成数据读取的操作,比较常见的有Pillow和OpenCV。
Pillow
Pillow是Python图像处理函式库(PIL)的一个分支。Pillow提供了常见的图像读取和处理的操作,而且可以与ipython notebook无缝集成,是应用比较广泛的库。
# 导入Pillow库 from PIL import Image,ImageFilter # 读取图片 im =Image.open(cat.jpg') # 模式转换,即“L”和“RGB”模式之间转换 im = im.convert("L") # 图片缩小到50% im.thumbnail((w//2, h//2)) # 应用模糊滤镜: im2 = im.filter(ImageFilter.BLUR) # 保存图片以jpeg格式 im2.save('blur.jpg', 'jpeg')
pillow还有很多图像操作方式,这里只是列举了一些基本的方法,有相关需要去官方文档查找就行了。
OpenCV
opencv是一个跨平台的计算机视觉库。OpenCV功能比Pillow强大很多,学习成本也高很多。
import cv2 # 导入Opencv库 img = cv2.imread('cat.jpg') # Opencv默认颜色通道顺序是BRG,转换一下 img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 转换为灰度图 img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # Canny边缘检测 edges = cv2.Canny(img, 30, 70) cv2.imwrite('canny.jpg', edges)直线检测
opencv的直线检测用到了HoughLines和HoughLinesP函数来完成,他们的仅有差别是:第一个函数使用标准的Hough变换,第二个函数使用概率Hough变换,即只通过分析点的子集并估计这些点都属于一条直线的概率,这样在计算速度上更快。
""" image:必须是二值图像,推荐使用canny边缘检测的结果图像 rho:线段以像素为的单位的距离精度,double类型的,推荐用1.0 theta:线段以弧度为单位的角度精度,推荐使用numpy.pi/180 threshold:累加平面的阈值参数,int类型,超过特定的阈值才被检测出线段,值越大基本意味着线段越长 """ HoughLinesP(image, rho, theta, threshold, lines=None, minLineLength=None, maxLineGap=None)
数据扩增
在深度学习中数据扩增方法非常重要,数据扩增可以增加训练集的样本,同时也可以有效缓解模型过拟合的情况,也可以给模型带来的更强的泛化能力。比如一张猫的图面可以进行翻转,改变方向等操作进行数据扩增。
数据扩增有什么用
在深度学习模型的训练过程中,数据扩增是必不可少的环节。现有深度学习的参数非常多,一般的模型可训练的参数量基本上都是万到百万级别,而训练集样本的数量很难有这么多。
其次数据扩增可以扩展样本空间,假设现在的分类模型需要对汽车进行分类,左边的是汽车A,右边为汽车B。如果不使用任何数据扩增方法,深度学习模型会从汽车车头的角度来进行判别,而不是汽车具体的区别。
数据扩增方法
数据扩增方法有很多:从颜色空间、尺度空间到样本空间,同时根据不同任务数据扩增都有相应的区别。
对于图像分类,数据扩增一般不会改变标签;对于物体检测,数据扩增会改变物体坐标位置;对于图像分割,数据扩增会改变像素标签。
在常见的数据扩增方法中,一般会从图像颜色、尺寸、形态、空间和像素等角度进行变换。当然不同的数据扩增方法可以自由进行组合,得到更加丰富的数据扩增方法。
以torchvision为例,常见的数据扩增方法包括:
- transforms.CenterCrop 对图片中心进行裁剪
- transforms.ColorJitter 对图像颜色的对比度、饱和度和零度进行变换
- transforms.FiveCrop 对图像四个角和中心进行裁剪得到五分图像
- transforms.Grayscale 对图像进行灰度变换
- transforms.Pad 使用固定值进行像素填充
- transforms.RandomAffine 随机仿射变换
- transforms.RandomCrop 随机区域裁剪
- transforms.RandomHorizontalFlip 随机水平翻转
- transforms.RandomRotation 随机旋转
- transforms.RandomVerticalFlip 随机垂直翻转
在本次赛题中,赛题任务是需要对图像中的字符进行识别,因此对于字符图片并不能进行翻转操作。比如字符6经过水平翻转就变成了字符9,会改变字符原本的含义。
常见数据扩增库
- torchvision,https://github.com/pytorch/vision
pytorch官方提供的数据扩增库,提供了基本的数据数据扩增方法,可以无缝与torch进行集成;但数据扩增方法种类较少,且速度中等; - imgaug,https://github.com/aleju/imgaug
imgaug是常用的第三方数据扩增库,提供了多样的数据扩增方法,且组合起来非常方便,速度较快; - albumentations,https://albumentations.readthedocs.io
是常用的第三方数据扩增库,提供了多样的数据扩增方法,对图像分类、语义分割、物体检测和关键点检测都支持,速度较快。
####Pytorch读取数据
由于本次赛题我们使用Pytorch框架讲解具体的解决方案,接下来将是解决赛题的第一步使用Pytorch读取赛题数据。
在Pytorch中数据是通过Dataset进行封装,并通过DataLoder进行并行读取。所以我们只需要重载一下数据读取的逻辑就可以完成数据的读取。
import os, sys, glob, shutil, json import cv2 from PIL import Image import numpy as np import torch from torch.utils.data.dataset import Dataset import torchvision.transforms as transforms class SVHNDataset(Dataset): def __init__(self, img_path, img_label, transform=None): self.img_path = img_path self.img_label = img_label if transform is not None: self.transform = transform else: self.transform = None def __getitem__(self, index): img = Image.open(self.img_path[index]).convert('RGB') if self.transform is not None: img = self.transform(img) # 原始SVHN中类别10为数字0 lbl = np.array(self.img_label[index], dtype=np.int) lbl = list(lbl) + (5 - len(lbl)) * [10] return img, torch.from_numpy(np.array(lbl[:5])) def __len__(self): return len(self.img_path) train_path = glob.glob('../input/train/*.png') train_path.sort() train_json = json.load(open('../input/train.json')) train_label = [train_json[x]['label'] for x in train_json] data = SVHNDataset(train_path, train_label, transforms.Compose([ # 缩放到固定尺寸 transforms.Resize((64, 128)), # 随机颜色变换 transforms.ColorJitter(0.2, 0.2, 0.2), # 加入随机旋转 transforms.RandomRotation(5), # 将图片转换为pytorch 的tesntor # transforms.ToTensor(), # 对图像像素进行归一化 # transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225]) ]))
接下来我们将在定义好的Dataset基础上构建DataLoder,你可以会问有了Dataset为什么还要有DataLoder?其实这两个是两个不同的概念,是为了实现不同的功能。
- Dataset:对数据集的封装,提供索引方式的对数据样本进行读取
- DataLoder:对Dataset进行封装,提供批量读取的迭代读取
加入DataLoder后,数据读取代码改为如下:
import os, sys, glob, shutil, json import cv2 from PIL import Image import numpy as np import torch from torch.utils.data.dataset import Dataset import torchvision.transforms as transforms class SVHNDataset(Dataset): def __init__(self, img_path, img_label, transform=None): self.img_path = img_path self.img_label = img_label if transform is not None: self.transform = transform else: self.transform = None def __getitem__(self, index): img = Image.open(self.img_path[index]).convert('RGB') if self.transform is not None: img = self.transform(img) # 原始SVHN中类别10为数字0 lbl = np.array(self.img_label[index], dtype=np.int) lbl = list(lbl) + (5 - len(lbl)) * [10] return img, torch.from_numpy(np.array(lbl[:5])) def __len__(self): return len(self.img_path) train_path = glob.glob('../input/train/*.png') train_path.sort() train_json = json.load(open('../input/train.json')) train_label = [train_json[x]['label'] for x in train_json] train_loader = torch.utils.data.DataLoader( SVHNDataset(train_path, train_label, transforms.Compose([ transforms.Resize((64, 128)), transforms.ColorJitter(0.3, 0.3, 0.2), transforms.RandomRotation(5), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ])), batch_size=10, # 每批样本个数 shuffle=False, # 是否打乱顺序 num_workers=10, # 读取的线程个数 ) for data in train_loader: break
在加入DataLoder后,数据按照批次获取,每批次调用Dataset读取单个样本进行拼接。此时data的格式为:
torch.Size([10, 3, 64, 128]), torch.Size([10, 6])
前者为图像文件,为batchsize * chanel * height * width次序;后者为字符标签。
- 零基础入门CV之街道字符识别(三)
- 零基础入门CV之街道字符识别(四)
- java语言基础入门——使用键盘输入字符功能
- 手写字符识别入门学习记录(1)
- linux学习入门 基础部分(6)【文件属性,目录属性,更改组,权限识别,默认权限,特殊权限,权限列表】
- 零基础入门机器学习:如何识别一只猫?
- Keras入门-搭建BP网络识别手写字符
- OpenCV+Python车牌字符分割和识别入门
- Linux驱动入门(一)字符设备驱动基础
- MySQ基础入门系列之——字符与日期数据处理
- tesseract_ocr 字符识别基础及训练字库、合并字库
- MatConvNet使用入门之车牌数字字符识别
- 0基础入门语音与音频识别
- 模式识别零基础入门
- tesseract_ocr 字符识别基础及训练字库、合并字库
- 关于字符数组定义和越界使用的基础入门小贴士
- (转)零基础入门--中文命名实体识别
- tesseract_ocr 字符识别基础及训练字库、合并字库
- 学习笔记(13):Python零基础轻松从入门到实战-字符和字符串-3
- Java入门:基础算法之从字符串中找到重复的字符