本python库可以帮助你在机器学习项目中达到增强图像的目的。它能将一组输入的图像转换成一个新的、更大的并且稍有变换的图像集。

　　特征：

　　·可获得大多数标准的增强技术。

　　·这些技术可应用到图像和图像上的关键点/特征点。

　　·在试验之前先定义你的增强序列，然后可以多次使用它。

　　·为每次图片的增强定义灵活的随机范围，比如“在-45°到45°这个范围内取值并以这个值旋转每张图像”或者“从正态分布N(0, 5.0)中采样取值并以这个值旋转每张图像”。

　　·将所有随机范围转换成确定值后，通过完全相同的方式对不同批次的图像进行增强（比如说某些图像和它们的热图）。

　　下面的图像显示了每个可用的增强技术的例子:

　　Noop是一个没有用处的增强对象。裁剪的值是（顶部像素，右侧像素，atv直播，底部像素，左侧像素）。以(a, b)形式书写的其他值的意思是每个值x是从a≤x≤b这个范围中随机挑选出来的。

要求与安装

　　需要依赖:

　　·six

　　·numpy

　　·scipy

　　·scikit-image (pip install -U scikit-image)

　　·OpenCV (比如 cv2)

　　安装：

　　·克隆库

　　·在库里面输入:

　　opythonsetup.py sdist

　　osudo pipinstall dist/imgaug-0.1.tar.gz

　　目前只在python2.7上进行了测试，编写的代码同样能在python3上运行。

例子

　　一个标准的机器学习情境——训练大批量的图像，atv，并通过剪裁、水平翻转（“Fliplr”）和高斯模糊这些方法来对每批图像进行增强：

　　在图像上应用多重增强技术（常用于在自述文件之前创建图像）：

　　快速显示出你的增强序列的示例结果：

　　增强灰度图像：

　　用同样的方式增强两批图像（比如说同时水平翻转两批图像中的第1、2、5张图像，但不改变第3、4张图像）：

　　增强图像以及图像上的关键特征点：

　　对图像施加单一的增强方法：

　　你可以对每个增强对象的随机参数使用更多不同寻常的分布方式：

　　你可以在已经定义的序列中动态解除增强对象：

　　点击阅读原文跳转Github

　　热门文章推荐