データ強化方針：
オンラインモード-トレーニング
ランダムにカット（完全にランダム、中央の+の四隅）作物は、あなたができます
DEF（IMG、スケール= [0.8、1.0]、比= [3/4、4 /をrandom_crop 3。。。 。]、resize_w = 100、resize_h = 100）：
"" "
ランダムにトリミング
：PARAM IMG：
：PARAMスケール：スケール
：PARAM比
：PARAM resize_w：
：PARAM resize_h：
：リターン：
" ""
aspect_ratio Math.sqrt（= np.random.uniform（*比））
W = aspect_ratio 1 *
H = 1 / aspect_ratioの
src_h、のsrc_wとimg.shape = [2]
バインド=分（（フロート（のsrc_wと）/ src_h）/（W ** 2）、
（フロート（src_h）/のsrc_w及び）/（H ** 2））
scale_max =分（スケール[1]、結合）
scale_min =分（スケール[0]、結合）
src_wとsrc_h * = TARGET_AREA np.random.uniform（scale_min、
scale_max）
Math.sqrt =（TARGET_AREA）のtarget_size
W = INT（W *のtarget_size）
H = INT（H *のtarget_size）
I = np.random.randint（0、 。のsrc_w及び- W + 1）
J = np.random.randint（0、src_h - H + 1）。
IMG = IMG [J：J + Hは、私はW +]
IMG = cv2.resizeを（IMG、（resize_w、resize_h ））
IMG戻り
、DEFのrule_crop（IMGをbox_ratio =（3/4、3/4）、LOCATION_TYPE = 'LT'、resize_w = 100、resize_h = 100）:.
"" "
作物直接元に特定の規則に従って操作サイズ用画像なし
：PARAM IMG：
：PARAM box_ratio：剪断比（幅の比、高さ比）
：PARAM LOCATION_TYPE：=で特定の位置：次のいずれか：
LRが左コーナー
RT：右上角
LB：左下角
RB：右下角
CC：中心
：PARAM resize_w：输出图的幅
：のparam resize_h：输出图的高さ
：リターン
：""」
'、（ 'LT'、 'RT'でLOCATION_TYPEを主張LB」、 'RB'、 'CC'）は、 '場所を持っている必要があります。'
is_gray = Falseの
場合LEN（img.shape）== 3：
H、W、C = img.shape
のelif LEN（img.shape）== 2：
= img.shape W H、
is_gray =真
crop_w、crop_h = INT（ W * box_ratio [0]）、INT（時間*のbox_ratio [1]）
crop_img = np.zeros（[10、10]）
LOCATION_TYPE場合== 'LT'：
crop_img = IMG [：crop_h：crop_w、：]もし、crop_h：他のimg [をis_grayません。
crop_img = IMG [：crop_h :, W - crop_w :,：]他のIMG is_grayない場合[：crop_h :, W - crop_w：]
ELIFのLOCATION_TYPEを== 'LB'：
crop_img = IMG [H - crop_h :,：crop_w、 ：]場合のimg他のないis_gray [H - crop_h :,：crop_w]
ELIFのLOCATION_TYPE == 'RB'：
crop_img = IMG [H - crop_h :, W - crop_w :,：] is_grayない他のimg [H場合- crop_h。 、W - crop_w：]
ELIFのLOCATION_TYPE == 'CC'：
start_h =（H - crop_h）// 2
start_w =（W - crop_w）// 2
crop_img = IMG [start_h：start_h + crop_h、start_w：start_w + crop_w、 ：]場合のimg他のないis_gray [
start_h：start_h + crop_h、
start_w：start_w + crop_w]
= cv2.resizeをリサイズ（crop_img、（resize_w、resize_h））
リサイズ返す
水平フリップフリップ
DEFのrandom_flip（IMG、MODE = 1）：
"" "
ランダムに反転
：PARAMのIMG：
：PARAMモデル：水平フリップ= 1/0 = = -1垂直/水平及び垂直
：リターン：
" ""
MODEをアサート中（0 ,. 1、-1）、 "MODEは適切ではない"
フリップnp.random.choice =（2）* 2から1＃-1 / 1。。
IF MODE == 1：
IMG IMG = [フリップ：、:: 、：]
ELIFモード== 0：
IMG IMG = [フリップ::、：、：]
ELIFモード== -1：
IMG IMG = [::フリップフリップ::、：]
IMG戻り
DEFフリップを（IMG、MODE = 1）：
"" "
フリップ
：PARAMのIMGを：
：PARAMのMODE = 1水平垂直= 0 / -1 =水平/垂直反転
：リターン：
「」」
アサートでMODE（0 ,. 1、-1）、 "MODEは適切ではない"
リターンcv2.flip（IMG、MODE = flipCode）
2オフラインモード
2.1ランダム摂動
ノイズ（ガウス、カスタム）騒音
DEFのrandom_noise（IMG、rand_range = （3、20））：
"" "
ランダムノイズ
：PARAM IMG：
：PARAM rand_range：（MIN、MAX）：
リターン：
" ""
IMG = np.asarray（IMG、np.float）
シグマ*（random.randintを= rand_range）
NOSIEのnp.random.normal =（0、シグマ、サイズ= img.shape）
IMG = + NOSIE
IMG = np.uint8（np.clip（IMG、0、255））
のリターンのimg
フィルタ（ガウシアン平滑化、平均値、中央値、最小値、最大値、二国間、導か運動）
＃は、様々なフィルタリング原理を説明：HTTPS：//blog.csdn.net/hellocsz/article/details/80727972
DEF gaussianBlue（IMG、 = KS、1.5 STDEVため=）（7 ,. 7）：
"" "
ガウスぼかし、画像がシャープなノイズを除去するために平滑化することができる
：PARAM IMG：
：PARAM KS：畳み込みカーネル
：PARAMのSTDEV：標準偏差
：返します：
" ""
cv2.GaussianBlur返す（IMGを、（7 ,. 7）、1.5ため。）
2.2転換
回転rorate
DEF回転（IMG、角度、スケール= 1.0）：
"" "
回転
：PARAMのIMG：
：PARAM角度：回転角度> 0を反時計回りに、
：PARAMスケール：
：戻ります：
"" "
高さ、幅= img.shapeの[2]＃画像取得幅と高さ
中心=（幅/ 2、高さ / 2）＃1 画像を撮影中点
M = cv2.getRotationMatrix2D（中央、角度、スケール） ＃回転行列のポイント周辺の画像を取得する
（第2の引数＃1 cv2.warpAffine）を変換行列であり、3番目のパラメータは、出力画像のサイズは
= cv2.warpAffine（IMG、M、回転 （高さ、幅））
回転戻り
DEFのrandom_rotate（IMG、angle_range =（ - 10、10））：
"" "
ランダム回転
：PARAM IMG：
：PARAM angle_range：回転角度範囲（最小、最大）> 0が反時計示し、
：リターン：
" ""
高さ、幅= img.shapeの[2]＃は、画像の高さと幅取得
中心=（幅/ 2、撮影高さ/ 2）＃中点画像
ランダム=角度。randrange（* angle_range 1）
M = cv2.getRotationMatrix2D（中心角、1.0 ）＃ 回転行列のポイント周辺の画像を取得する
（第2の引数＃1 cv2.warpAffine）は変換行列であり、3番目のパラメータは、出力画像のサイズが
= cv2.warpAffine回転しました（IMG、M、（高さ、幅））
回転さが戻る
シフトオフセット
（IMG、X_OFFSET、Y_OFFSET）シフトDEF：
"" "
シフト、右、上下
：PARAM IMGを
示し、右側に> 0：PARAM X_OFFSETシフトPX、<0が左方向を表します
：PARAM Y_OFFSET：> 0 0が上方を示し、<オフセット下方PXを表す
リターン：
"" "
H、W、_ = img.shape
M = np.array（[1、0、X_OFFSET]、[0、。 。1、Y_OFFSET]、DTYPE = np.float）
戻りcv2.warpAffine（IMG、M、（W、H））
捻らスキュー
...
ズームスケール
＃HTTPSから：//blog.csdn.net/weixin_43360384/article/details/84871521
デフresize_img（IMG、resize_w、resize_h）：
高さ、幅= img.shapeの[2]＃获取图片的高和宽
戻りcv2.resize（IMG、（resize_w、resize_h）、補間= cv2.INTER_CUBIC）
RGB / BGR - > HSV
DEF rgb2hsv_py（R、G、B）：
R、G、B = R / 255.0、G / 255.0、B / 255.0
MX = MAX（R、G、B）
MN =分（R、G、B）
M = MX-MN
MX == MN場合：
時間= 0
ELIFのMX == R：
もしG> = B：
H =（（GB）/ M）* 60
他：
H =（（GB）/ M）* 60 + 360
ELIF MX == G：
H =（（BR）/ M）* 60 + 120
ELIFのMX == B：
H =（（RG）/ M）* 60 + 240
：MX == 0の場合
、S = 0
さもなければ：
秒= M / MX
V = MX
V = np.zeros（（H、W）、np.float32）
R、G、 B = cv2.split（IMG）
戻りH、S、V
：デフrgb2hsv_cv（IMG）
https://blog.csdn.net/qq_38332453/article/details/89258058から＃
H = img.shape [0]
= img.shape [1] W
H = np.zeros（（H、 W）、np.float32）
S = np.zeros（（H、W）、np.float32）
R、G、B = R / 255.0、G / 255.0、B / 255.0
範囲（0でiについて、H）。
範囲内のJ（0、W）のために：
MX = MAX（（B [I、J]、G [I、J]、R [I、J]））
MN =分（（B [I、J]、G [I、J]、R [I、J]））
V [I、J] = MX
もしV [I、J] == 0：
S [I、J] = 0
他：
S [I、J] =（Vの[I、J] - MN）/ V [I、J]
もしMX == MN：
H [I、J] = 0
ELIF V [I、J] == R [I、J]：
もしG [I、J]> = bの[I、J]。
H [I、J] =（60 * （（G [I、J]） - B [I、J]）/（V [I、J] - MN））
他：
H [I、J] =（60 *（（G [I、J]） - B [I、J]）/（V [I、J] - MN））+ 360
のelif V [I、J] == G [I、J]：
H [I、J] = 60 *（（B [I、J]） - R [I、J]）/（V [I、J] - MN）+ 120
のelif V [I、J] == B [I、J]：
H [I、J] = 60 *（（R [I、J]） - G [I、J]）/（V [I、J] - MN）+ 240
H [I、J] = H [I、J] / 2
戻りH、S、Vの
画像の重ね合わせ融合
DEF addWeight（SRCL、アルファ、SRC2、ベータ、ガンマ）：
"" "
G（X）=（1 - α）F0（X）+αf1（X）は、異なる値の＃→（0,1）あなたは、異なる効果を達成することができます
DST = SRCL *アルファ+のSRC2 *ベータ+ガンマ
：PARAMのSRCL：IMG1
：PARAMアルファ：
：PARAMのSRC2：IMG2
：ベータPARAM：
：PARAMガンマ：
：リターン：
"" "
src2.shapeアサートsrc1.shap ==
cv2.addWeightedを返す（SRCL、アルファ、SRC2、ベータ、ガンマ）
ディザリング（輝度\色\飽和\コントラスト）ジッタカラー
DEFのadjust_contrast_bright（IMG、コントラスト= 1.2、明るさ= 100）：
"" "
明るさとコントラストを調整
DSTはIMG *輝度コントラスト+ =
：のparam IMG：
：のparamコントラスト：大きな明るくコントラスト
：PARAM輝度：明るさ100〜0
：リターン：
"" "
それは中断するよう＃0-255は、画素値を超えた
リターンnp.uint8（np.clip（（コントラスト* IMGを輝度+）、0、255））
DEFのpytorch_color_jitter（IMG）：
torchvision.transforms.ColorJitter（明るさ= 0を返す、コントラスト= 0、= 0彩度、色相= 0）
3D幾何変換