神經網路訓練中影象資料預處理的一些方式

1. crop

1. 1 對於有黑色背景的圖片，將資料crop在有效區域內

對於一些有黑色背景的圖片，如下圖：

這樣的圖片在做資料預處理的時候，黑色背景的無效區域，帶來了很大的運算量開銷。面對這種圖片，我們一般先將區域限制到它的有效區域。
程式碼如下：

import numpy as np

from skimage.filters import threshold_otsu
from skimage import measure, exposure

import skimage

def 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_crop

import scipy.misc
from PIL import Image

img = scipy.misc.imread('./raw1.jpg')

img = img.astype(np.float32)
img /= 255
 


img_crop = tight_crop(img)


pilImage = Image.fromarray(skimage.util.img_as_ubyte(img_crop))
pilImage.show()

結果如下：

2. 對比度

接1，有一些影象可能比較模糊，對比度增強可能有很好的效果。對比度增強的方式很多。

2.1 adaptive histogram equalization

程式碼

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_ahe

img_ahe = channelwise_ahe(img_crop)

pilImage = Image.fromarray(skimage.util.img_as_ubyte(img_ahe))
pilImage.show()

效果如下：

待續。。。