python图像数据增强库
Augmentor使用比较简单,只有一些简单的操作。 imgaug实现的功能更多，可以对keypoint, bounding box同步处理，比如你现在由一些标记好的数据，只有同时对原始图片和标记信息同步处理，才能有更多的标记数据进行训练。我在segmentation和detection任务经常使用imgaug这个库。
Augmentor
http://augmentor.readthedocs.io/en/master/index.html
[直接点开，谷歌翻译，文档很全]
Augmentor 是管道化的图像增强库，每一个增强操作都是逐步叠加在图像上。此外对于输入的图像，可以选择按照一定的概率进行增强，比如只随机对一半图像进行旋转。
可以实现的操作有, rotate, crop, perspective skew(视角倾斜), elastic distortions(弹性变换【OCR非刚体中可以利用随机扭曲】), sheering(坐标轴倾斜), mirroring(镜像)、随机改变图像亮度Augmentor.Operations.RandomBrightness、随机改变对比度/饱和度、随机擦除某一矩形框里的像素Augmentor.Operations.RandomErasing、随机裁剪
/*注意倾斜后，旋转后都有多余的边界，从倾斜图像中裁剪原始图像的相同纵横比的最大可能区域，然后调整大小以匹配原始图像尺寸*/
安装
sudo -H pip install Augmentor升级：
pip install Augmentor --upgrade 用法
第1步：创建新的管道
必须首先初始化一个Pipeline对象，该对象指向存储原始图像数据集的目录
>>> import Augmentor
>>> p = Augmentor.Pipeline("/path/to/images")
Initialised with 100 images found in selected directory.第2步：向管道添加操作
>>> p.rotate(probability=0.7, max_left_rotation=10, max_right_rotation=10)添加进一步的操作，在这种情况下是一个zoom()操作
>>> p.zoom(probability=0.3, min_factor=1.1, max_factor=1.6)第3步：从流水线执行和采样
并指定所需的图像数量，在本例中为10,000：
>>> p.sample(10000)默认情况下，新生成的增强图像将保存到名为output的目录中，相对于包含初始图像数据集的目录。
可以使用Augumentor.Pipeline()创建一个实例,调用各种方法向pipeline添加方法, status()可以显示当前pipeline的状态，在status中每个操作都有一个对应的index, remove_operation(index)移除一个操作, 最后调用sample(nums)得到nums个augument后的图像。
import Augmentor
p = Augmentor.Pipeline("/path/to/images/")
p.status()
p.remove_operation(0)