Data Augmentation
data augmentation 방법은 크게 “기하학 변환”과 “태스크 기반” 확장으로 나뉜다.
기하적 변환은 크기조절, 반전, 자르기, 회전, 이동, 윈도우 분할 등이 있다.
태스크 기반 확장은 데이터를 합성 시 분류에 대한 척도를 고려하여 학습을 수행한다. 물체 인식에 대해 자르기(crop)와 반전(filp), 자르기와 색 조절은 학습 데이터 확장에, 크기 변환과 다각도관점 변환 등이 있다.
이것들의 함수를 직접 정의해보고자 한다.
기본 image와 label 지정하기
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
import wget
import torch
from PIL import Image
import numpy as np
import matplotlib.image as img
import matplotlib.pyplot as plt
import torchvision.transforms.functional as TF
!wget https://i.stack.imgur.com/LW5Fv.png -O dog.jpg
image = Image.open("dog.jpg")
image = np.array(image)
xmin, xmax = (1,2)
red_color = (255,0,0)
label = (1000,450)
drow = cv2.rectangle(image, (label[0]-550,label[1]-400),(label[0],label[1]),red_color,3)
image = Image.from_array(image)
plt.imshow(drow)
plt.show()
1. Resize
이미지를 resize 해줌과 동시에 label도 갱신해줘야 한다.
1
2
3
4
5
6
7
8
9
10
11
12
def resize_img_label(image, label=(0.,0.), target_size = (256,256)):
w_orig, h_orig = image.size
w_target, h_target = target_size
cx, cy = label
image_new = TF.resize(image, target_size)
label_new = cx/w_orig*w_target, cy/h_orig*h_target
return image_new, label_new
image_new, label_new = resize_img_label(image,label)
plt.imshow(image_new)
plt.show()
2. horizontally Flip
1
2
3
4
5
6
7
8
9
10
11
12
def random_hflip(image, label):
w, h = image.size
x, y = label
image = TF.hflip(image)
label = w-x, y
return image, label
image_new, label_new = random_hflip(image,label)
plt.imshow(image_new)
plt.show()
3. Vertically Flip
1
2
3
4
5
6
7
8
9
10
11
12
def random_vflip(image, label):
w, h = image.size
x, y = label
image = TF.vflip(image)
label = x, w-y
return image, label
image_new, label_new = random_vflip(image,label)
plt.imshow(image_new)
plt.show()
4. Shift or translate image
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
def random_shift(image, label, max_translate=(0.2,0.2)):
w,h = image.size
max_t_w, max_t_h = max_translate
cx, cy = label
trans_coef = np.random.rand() * 2 - 1
w_t = int(trans_coef * max_t_w * w)
h_t = int(trans_coef * max_t_h * h)
image = TF.affine(image, translate=(w_t, h_t), shear=0, angle=0, scale=1)
label = cx + w_t, cy + h_t
return image, label
image_new, label_new = random_shift(image,label)
plt.imshow(image_new)
plt.show()
