def colorjitter（img， cj＿type＝＂b＂）：
   ＇＇＇
   ＃＃＃ Different Color Jitter ＃＃＃
   img： image
   cj＿type： ｛b： brightness， s： saturation， c： constast｝
   ＇＇＇
   if cj＿type ＝＝ ＂b＂：
       ＃ value ＝ random．randint（－50， 50）
       value ＝ np．random．choice（np．array（［－50， －40， －30， 30， 40， 50］））
       hsv ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2HSV）
       h， s， v ＝ cv2．split（hsv）
       if value ＞＝ 0：
           lim ＝ 255 － value
           v［v ＞ lim］ ＝ 255
           v［v ＜＝ lim］ ＋＝ value
       else：
           lim ＝ np．absolute（value）
           v［v ＜ lim］ ＝ 0
           v［v ＞＝ lim］ －＝ np．absolute（value）
       final＿hsv ＝ cv2．merge（（h， s， v））
       img ＝ cv2．cvtColor（final＿hsv， cv2．COLOR＿HSV2BGR）
       return img
   
   elif cj＿type ＝＝ ＂s＂：
       ＃ value ＝ random．randint（－50， 50）
       value ＝ np．random．choice（np．array（［－50， －40， －30， 30， 40， 50］））
       hsv ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2HSV）
       h， s， v ＝ cv2．split（hsv）
       if value ＞＝ 0：
           lim ＝ 255 － value
           s［s ＞ lim］ ＝ 255
           s［s ＜＝ lim］ ＋＝ value
       else：
           lim ＝ np．absolute（value）
           s［s ＜ lim］ ＝ 0
           s［s ＞＝ lim］ －＝ np．absolute（value）
       final＿hsv ＝ cv2．merge（（h， s， v））
       img ＝ cv2．cvtColor（final＿hsv， cv2．COLOR＿HSV2BGR）
       return img
   
   elif cj＿type ＝＝ ＂c＂：
       brightness ＝ 10
       contrast ＝ random．randint（40， 100）
       dummy ＝ np．int16（img）
       dummy ＝ dummy ＊ （contrast／127＋1） － contrast ＋ brightness
       dummy ＝ np．clip（dummy， 0， 255）
       img ＝ np．uint8（dummy）
       return img
添加噪聲通常，噪聲被認為是圖像中不可預料的因素，然而，有幾種類型的噪聲（如高斯噪聲、椒鹽噪聲）可以用于數據擴充，在深度學習中，添加噪聲是一種非常簡單而有益的數據擴充方法。在下面的例子中，為了增強數據，將高斯噪聲和椒鹽噪聲添加到原始圖像中。

對于那些無法識別高斯噪聲和椒鹽噪聲區(qū)別的人，高斯噪聲的取值范圍取決于配置，從0到255，因此，在RGB圖像中，高斯噪聲像素可以是任何顏色。相反，椒鹽噪聲像素只能有兩個值：0或255，分別為黑色（椒）或白色（鹽）。def noisy（img， noise＿type＝＂gauss＂）：
   ＇＇＇
   ＃＃＃ Adding Noise ＃＃＃
   img： image
   cj＿type： ｛gauss： gaussian， sp： salt ＆ pepper｝
   ＇＇＇
   if noise＿type ＝＝ ＂gauss＂：
       image＝img．copy（）
       mean＝0
       st＝0．7
       gauss ＝ np．random．normal（mean，st，image．shape）
       gauss ＝ gauss．astype（＇uint8＇）
       image ＝ cv2．add（image，gauss）
       return image
   
   elif noise＿type ＝＝ ＂sp＂：
       image＝img．copy（）
       prob ＝ 0．05
       if len（image．shape） ＝＝ 2：
           black ＝ 0
           white ＝ 255            
       else：
           colorspace ＝ image．shape［2］
           if colorspace ＝＝ 3：  ＃ RGB
               black ＝ np．array（［0， 0， 0］， dtype＝＇uint8＇）
               white ＝ np．array（［255， 255， 255］， dtype＝＇uint8＇）
           else：  ＃ RGBA
               black ＝ np．array（［0， 0， 0， 255］， dtype＝＇uint8＇）
               white ＝ np．array（［255， 255， 255， 255］， dtype＝＇uint8＇）
       probs ＝ np．random．random（image．shape［：2］）
       image［probs ＜ （prob ／ 2）］ ＝ black
       image［probs ＞ 1 － （prob ／ 2）］ ＝ white
       return image
過濾本文介紹的最后一個數據擴充過程是過濾。與添加噪聲類似，過濾也很簡單，易于實現(xiàn)。在實現(xiàn)中使用的三種濾波類型包括模糊（均值）、高斯和中值。

def filters（img， f＿type ＝ ＂blur＂）：
   ＇＇＇
   ＃＃＃ Filtering ＃＃＃
   img： image
   f＿type： ｛blur： blur， gaussian： gaussian， median： median｝
   ＇＇＇
   if f＿type ＝＝ ＂blur＂：
       image＝img．copy（）
       fsize ＝ 9
       return cv2．blur（image，（fsize，fsize））
   
   elif f＿type ＝＝ ＂gaussian＂：
       image＝img．copy（）
       fsize ＝ 9
       return cv2．GaussianBlur（image， （fsize， fsize）， 0）
   
   elif f＿type ＝＝ ＂median＂：
       image＝img．copy（）
       fsize ＝ 9
       return cv2．medianBlur（image， fsize）
總結

在這篇文章中，主要向大家介紹了一個關于對象檢測任務中數據擴充實現(xiàn)的教程。你們可以在這里找到完整實現(xiàn)。https：／／github．com／tranleanh／data－augmentation