更新流程↓
Task01:赛题理解
Task02:数据读取与数据扩增
Task03:字符识别模型
Task04:模型训练与验证
Task05:模型集成
底到镜一
比赛链接
1. 数据读取
1.1. 图像读取
接下来将简单介绍以下目前较为主流的Python图像库的基本使用方法
matplotlib | PIL(pillow) | OpenCV | skimage | imageio |
---|
1.1.1. matplotlib
matplotlib是Python的绘图库,与numpy一起使用可以算是一种matlab开源替代方案,在科学绘图领域被广泛使用。当然,用来读取图像自然不在话下。
使用plt.imread()
读取图片将其储存为一个RGB像素值矩阵,再进行处理。故其可以与opencv或pillow结合使用,只需要传入像素值矩阵,matplotlib便可以接手处理接下来想要完成的操作。
import matplotlib.pyplot as plt # 导入matplotlib库
import numpy as np # 导入numpy库
img = plt.imread('PicPath/PicName.jpg') # 读取图片
print(img.shape) # 输出(高度h,宽度w,通道数c)
print(img.size) # 输出像素总数目
print(img.dtype) # 输出图片类型,uint8为[0-255]
print(img) # 输出所有像素的RGB值,一个像素RGB为[0-255 0-255 0-255]
plt.imshow(img) # 将图片img插入画布
plt.axis('off') # 座标轴刻度不显示
plt.show() # 展示画布
imgR = image[:,:,0] # R通道,热量图
plt.imshow(imgR) # 将热量图插入画布
plt.show() # 展示画布
plt.imshow(imgR,cmap='Greys_r') # 将灰度图插入画布
plt.show() # 展示画布
figure = plt.figure(figsize=(80,40)) # 调整显示画布宽80,高40/英寸
img1 = plt.imread('PicPath/PicName1.jpg') # 读取图片1
img2 = plt.imread('PicPath/PicName2.jpg') # 读取图片2
plt.axis("off") # 画布座标轴刻度不显示
ax = figure.add_subplot(121) # 画布以1行2列的形式显示,设置图片定位为序列1
plt.axis('off') # 子图1座标轴刻度不显示
ax.imshow(img1) # 将图片1插入子图1
ax.set_title('title1') # 给子图1加标题
ax = figure.add_subplot(122) # 画布以1行2列的形式显示,设置图片定位为序列2
plt.axis('off') # 子图2座标轴刻度不显示
ax.imshow(img2) # 将图片2插入子图2
ax.set_title('title2') # 给子图2加标题
plt.savefig('PicX.jpg') # 保存画布命名为PicX.jpg
plt.show() # 展示画布
1.1.2. PIL(pillow)
PIL即Python Imaging Library,而pillow是PIL的一个分支。pillow提供了常见的图像读取和处理的操作,它比opencv更为轻巧,且可以与ipython notebook无缝集成。
使用Image.open()
读取图片储存为一个对象,并非是numpy矩阵。
from PIL import Image # 导入PIL库
import numpy as np # 导入numpy库
img = Image.open('PicPath/PicName.jpg') # 读取图片
imgL = Image.open('PicName.jpg').convert('L') # 读取图片灰度图
imgL.show() # 展示灰度图
img1 = img.copy() # 复制图片
print(img.format) # 输出图片格式
print(img.size) # 输出图片(宽度w,高度h)
print(img.mode) # 输出图片类型,L为灰度图,RGB为真彩色,RGBA为RGB+Alpha透明度
im.show() # 展示画布
imgData = np.array(img) # 将对象img转化为RGB像素值矩阵
print(imgData.shape) # 输出图片(宽度w,高度h,通道c)
print(imgData.dtype) # 输出图片类型,uint8为[0-255]
print(imgData) # 输出所有像素的RGB值
imgN = Image.fromarray(imgData) # 将RGB像素值矩阵转化为对象imgN
imgN.save('PicName.jpg') # 储存为文件PicName.jpg
r, g, b = img.split() # 分离通道
img = Image.merge("RGB", (b, g, r)) # 合并通道
# ROI(region of interest),只对ROI区域操作
roi = img.crop((0,0,300,300)) # (左上x,左上y,右下x,右下y)座标
roi.show() # 展示ROI区域
#捕捉异IOError,为读取图片失败
try:
img = Image.open('PicName.jpg')
except IOError:
print('image failed to load')
1.1.3. OpenCV
OpenCV是一个跨平台的计算机视觉库。其发展非常早,拥有众多的计算机视觉、数字图像处理和机器视觉等功能,OpenCV是今天介绍得所有图像库中最全面也最强大的库,学习成本也相对要高很多。
使用cv2.imread
读取图片将其储存为一个BGR像素值矩阵,故若要结合使用matplotlib则要先进行转化。
import cv2 # 导入OpenCV库
import numpy as np # 导入numpy库
img = cv2.imread('PicName.jpg',0) # 读取图片:灰度模式
img = cv2.imread('PicName.jpg',-1) # 读取图片:BRGA模式(BRG+Alpha通道)
img = cv2.imread('PicName.jpg',1) # 读取图片:BRG模式
img = cv2.imread('PicName.jpg') # 读取图片:第二参数默认为1,BRG模式
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB) # 将颜色通道从BRG转为RGB
if img == None: # 读取图片失败
print('image failed to load')
cv2.imshow('src',img) # 图片源src为img
print(img.shape) # 输出图片(高度h,宽度w,通道c)
print(img.size) # 像素总数目
print(img.dtype) # 输出图片类型,uint8为[0-255]
print(img) # 输出所有像素的RGB值
cv2.waitKey() # 按键关闭窗口
# waitKey(delay)函数的功能是不断刷新图像,频率时间为delay,单位为ms,返回值为当前键盘按键值
# waitKey() 是在一个给定的时间内(单位ms)等待用户按键触发; 如果用户没有按下键,则接续等待(循环)
imgL = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 读取img灰度图
cv2.imshow('gray',imgL) # 图片源gray为imgL
cv2.imwrite('imgL.jpg',imgL) # 将imgL储存名为imgL.jpg的图片
print(imgL.shape) # 输出图片(高度h,宽度w)
print(imgL.size) # 像素总数目
print(imgL) # 输出所有像素的灰度值
cv2.waitKey() # 按键关闭窗口
img = img.transpose(2,0,1) # 图片矩阵变换为(通道c,高度h,宽度w)
img = np.expand_dims(img, axis=0) # 图片矩阵扩展维度添加在第一维
print(img.shape) # (1,通道c,高度h,宽度w)
# 图片归一化处理
img = cv2.imread('PicName.jpg')
img = img.astype("float") / 255.0 # 转化数据类型为float后进行归一化
print(img.dtype) # 输出为:float64
print(img) # 输出为[0-1 0-1 0-1]
print(img[10,10]) # 访问图片img像素[10,10],输出 [0-255 0-255 0-255]
print(imgL[10,10]) # 访问灰色图片img像素[10,10],输出 0-255
img[10,10] = [255,255,255] # 修改图片img像素点[10,10]为[255,255,255]
imgL[10,10] = 255 # 修改灰色图片img像素点[10,10]为255
img[:,:,2] = 0 # 将R通道全部修改为0
roi = img[200:550,100:450,:] # ROI操作,座标(高度范围,宽度范围,通道范围)
cv2.imshow('roi',roi) # 图片源roi为roi
cv2.waitKey() # 按键关闭窗口
1.1.4. skimage
skimage包的全称是scikit-image SciKit (toolkit for SciPy) ,它对scipy.ndimage进行了扩展,提供了更多的图片处理功能。它是由python语言编写的,由scipy 社区开发和维护。skimage包由许多的子模块组成,各个子模块提供不同的功能。
使用io.imread()
读取图片将其储存为一个RGB像素值矩阵。
from skimage import io # 导入skimage库
from skimage import color
import numpy as np # 导入numpy库
img = io.imread('PicName.jpg') # 读取图片
imgL = io.imread('PicName.jpg',as_grey=True) # 读取图片:灰度模式
print(img.shape) # 输出图片img(高度h,宽度w,通道c)
print(imgL.shape) # 输出图片imgL(高度h,宽度w)
print(img.size) # img像素总数目
print(img.dtype) # 输出img图片类型,uint8为[0-255]
print(imgL.dtype) # 输出imgL图片类型,float64为[0-1],已经被归一化
print(img) # 输出img所有像素的RGB值
print(imgL) # 输出imgL所有灰度值,长度为imgL.size的numpy数组
io.imsave('img.png',img) # 将img储存名为img.png的图片
io.imshow(img) # 图片img插入画板
io.show() # 展示画板
imgl = io.imread('PicName.jpg') # 读取图片
imgl = color.rgb2grey(imgl) # 转换为灰度模式
print(imgl.dtype) # 以下数据同imgL
print(imgl.size)
print(imgl.shape)
io.imshow(imgl)
io.show()
'''
skimage.color.rgb2grey(rgb)
skimage.color.rgb2hsv(rgb)
skimage.color.rgb2lab(rgb)
skimage.color.gray2rgb(image)
skimage.color.hsv2rgb(hsv)
skimage.color.lab2rgb(lab)
'''
1.1.5. imageio
Imageio是一个Python库,提供了一个简单的接口用于读取和写入各种图像数据,包括动画图像,视频,体积数据和科学格式。
使用io.imread()
读取图片将其储存为一个RGB像素值矩阵。
import imageio # 导入imageio库
img = imageio.imread('PicName.jpg') # 读取图片
imageio.imsave('img.png',img) # 将img储存名为img.png的文件
print(img.shape) # 输出图片img(高度h,宽度w,通道c)
print(img.size) # img像素总数目
print(img.dtype) # 输出img图片类型,uint8为[0-255]
print(img) # 输出img所有像素的RGB值
plt.imshow(img) # 图片img插入画板
plt.show() # 展示画板
1.2. 总结
- 其他图像库读取彩色图片都以RGB形式储存,而OpenCV则是以BGR形式存储。
- 其他图像库读取图片都以numpy十六进制彩色值形式储存,而PIL读取图片是以对象形式储存。
2. 数据扩增
为了增加数据量、丰富数据多样性、提高模型的泛化能力,同时也可以有效缓解模型过拟合的情况,给模型带来的更强的泛化能力。我们可以不实际增加原始数据,只是对原始数据做一些变换,从而创造出更多的数据。我们只需要对现有数据集进行微小改动,例如裁剪或灰度变换或翻转(数字6与9翻转会发生交换) 。无论如何,我们的神经网络会认为这些是不同的图像。从而完成数据扩增(Data Augmentation)操作。
2.1. 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座标位置;对于图像分割,数据扩增会改变像素标签。
- 几何变换:弹性变换(Elastic Transform)、透视变换(Perspective Transform)、分段仿射变换(Piecewise Affine transforms)、枕形畸变(Pincushion Distortion);随机改变大小(resize),随机缩放、水平翻转(flip),竖直翻转(mirror);
- 加噪声:对主成分做一个(0, 0.1)的高斯扰动。
- PCA Jittering(颜色改变):首先按照RGB三个颜色通道计算均值和标准差,对网络的输入数据进行规范化,随后我们在整个训练集上计算了协方差矩阵,进行特征分解,得到特征向量和特征值,用来做PCA Jittering。对RGB空间做PCA,然后对主成分做一个(0, 0.1)的高斯扰动。结果让错误率又下降了1%。
- 对比度和亮度:给图像增加一些随机的光照,对比度受限自适应直方图均衡化算法(Clahe),锐化(Sharpen),凸点(Emboss)
- 随机色相、饱和度、明度(HSV)变换
- 彩图到灰度转换(Color to Gray)
- 将灰度图重新映射到随机颜色的图像中
- 模糊(Blur)、一般模糊(Median Blur)、非常模糊(Motion Blur)
方法 | 中文说明 |
---|---|
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 |
2.2. 常用的数据扩增库
2.2.1.torchvision
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;
2.2.2. 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;
2.2.3. albumentations
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。
3. Pytorch读取数据
本次赛题我们使用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,之后我们将在定义好的Dataset基础上构建DataLoder,DataLoder是为了实现不同于Dataset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
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)), # 缩放到固定尺寸
transforms.ColorJitter(0.3, 0.3, 0.2), # 随机颜色变换
transforms.RandomRotation(5), # 加入随机旋转
transforms.ToTensor(), # 将图片转换为pytorch 的tesntor
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) # 对图像像素进行归一化
])),
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。