图片数据增强-resize(不同插值)、各种模糊

将图片批量进行不同的数据增强处理,并保存到不同的文件夹下。

各种不同的模糊处理

python 复制代码
import os
import cv2


def apply_blur_to_images(input_folder_path, output_folder_path):
    # 遍历文件夹下的所有文件
    for filename in os.listdir(input_folder_path):
        # 检查文件类型是否为图片
        if filename.endswith('.jpg') or filename.endswith('.jpeg') or filename.endswith('.png'):
            # 构建输入图片的完整路径
            input_image_path = os.path.join(input_folder_path, filename)

            # 读取图片
            image = cv2.imread(input_image_path)

            # 根据不同的模糊方法进行处理
            for blur_method in ['gaussian', 'mean', 'median', 'bilateral']:
                # 创建对应的模糊文件夹
                output_blur_folder_path = os.path.join(output_folder_path, blur_method)
                os.makedirs(output_blur_folder_path, exist_ok=True)

                # 根据选择的模糊方法进行处理
                if blur_method == 'mean':
                    blurred_image = cv2.blur(image, (15, 15))
                elif blur_method == 'median':
                    blurred_image = cv2.medianBlur(image, 15)
                elif blur_method == 'bilateral':
                    blurred_image = cv2.bilateralFilter(image, 15, 75, 75)
                else:
                    blurred_image = cv2.GaussianBlur(image, (15, 15), 0)

                # 构建输出图片的完整路径
                output_image_path = os.path.join(output_blur_folder_path, filename)

                # 保存模糊处理后的图片
                cv2.imwrite(output_image_path, blurred_image)


if __name__ == '__main__':
    # 文件夹不要有中文!!!!!!!!!
    # 输入文件夹路径
    input_folder_path = './data'
    # 输出文件夹路径
    output_folder_path = './output'

    # 调用函数
    apply_blur_to_images(input_folder_path, output_folder_path)

resize 下采样

python 复制代码
import os
import cv2


def reduce_resolution(input_folder_path, output_folder_path, scale_factor, interpolation):
    # 遍历文件夹下的所有文件
    for filename in os.listdir(input_folder_path):
        # 检查文件类型是否为图片
        if filename.endswith('.jpg') or filename.endswith('.jpeg') or filename.endswith('.png'):
            # 构建输入图片的完整路径
            input_image_path = os.path.join(input_folder_path, filename)

            # 读取图片
            image = cv2.imread(input_image_path)

            # 计算目标宽度和高度
            target_width = int(image.shape[1] * scale_factor)
            target_height = int(image.shape[0] * scale_factor)

            # 调整图像尺寸
            resized_image = cv2.resize(image, (target_width, target_height), interpolation=interpolation)

            # 构建输出图片的完整路径
            interpolation_name = get_interpolation_name(interpolation)
            output_folder = os.path.join(output_folder_path, interpolation_name)
            os.makedirs(output_folder, exist_ok=True)  # 创建输出文件夹(如果不存在)
            output_image_path = os.path.join(output_folder, filename)

            # 保存调整尺寸后的图片
            cv2.imwrite(output_image_path, resized_image)


def get_interpolation_name(interpolation):
    if interpolation == cv2.INTER_NEAREST:
        return 'INTER_NEAREST'
    elif interpolation == cv2.INTER_LINEAR:
        return 'INTER_LINEAR'
    elif interpolation == cv2.INTER_CUBIC:
        return 'INTER_CUBIC'
    elif interpolation == cv2.INTER_LANCZOS4:
        return 'INTER_LANCZOS4'
    else:
        return 'UNKNOWN'


if __name__ == '__main__':
    # 文件夹不要有中文!!!!!!!!!
    # 输入文件夹路径
    input_folder_path = './data'
    # 输出文件夹路径
    output_folder_path = './output'

    # 比例系数
    scale_factor = 0.5  # 调整为原始图像的一半

    # 插值方法列表
    interpolations = [cv2.INTER_NEAREST, cv2.INTER_LINEAR, cv2.INTER_CUBIC, cv2.INTER_LANCZOS4]

    # 遍历插值方法
    for interpolation in interpolations:
        # 调用函数进行图像尺寸调整
        reduce_resolution(input_folder_path, output_folder_path, scale_factor, interpolation)

遍历文件夹,结果以名字命令,方便区分

相关推荐
易安说AI5 分钟前
我用AI+高德MCP 10分钟搞定苏州三日游
人工智能
Lx3525 分钟前
📌《从Prompt工程到AI思维:开发者新技能树全解析》
人工智能
@MrLiu6 分钟前
# 深度学习中的优化算法详解
人工智能·深度学习·算法·优化器
契合qht53_shine7 分钟前
机器学习 从入门到精通 day_03
人工智能·机器学习
IT古董8 分钟前
【漫话机器学习系列】199.过拟合 vs 欠拟合(Overfit vs Underfit)
人工智能
硅谷秋水1 小时前
OpenDriveVLA:通过大型视觉-语言-动作模型实现端到端自动驾驶
人工智能·机器学习·计算机视觉·语言模型·机器人·自动驾驶
蚝油菜花1 小时前
【内附榜单】评估AI大模型的代码修复能力!Multi-SWE-bench:字节开源代码修复能力评估基准,覆盖7大主流编程语言
人工智能·开源
北极的树1 小时前
Vibe coding 最后一公里: 打造一套通用的AI任务拆分和管理系统
人工智能
蚝油菜花1 小时前
1天消化完Spring全家桶文档!DevDocs:一键深度解析开发文档,自动发现子URL并建立图谱
人工智能·开源
蚝油菜花1 小时前
让AI绘画进入「指哪画哪」的精准时代!EasyControl:Tiamat AI 联合上海科大开源图像生成控制框架
人工智能·开源