#设置图像旋转参数
RotateOrign=(250,250) #表示旋转中心
RotateAngle=(60,90) #表示顺时针旋转60-90度
RotateScale=(0.8,1) #表示图片旋转后会缩放到原来的0.8-1倍

#定义旋转操作函数
def Rotate(image,rotateOrign,rotateAngle,rotateScale):
    img=cv2.imread(image)
    rows,cols=img.shape[:2] 
    M=cv2.getRotationMatrix2D(rotateOrign,rotateAngle,rotateScale) #变换矩阵M
    dst=cv2.warpAffine(img,M,(rows,cols))
    return dst

#生成图片
 for item in imgList:
     for num in range(generateImgNum): #generateImgNum：生成图片数量
         RotateAngleTmp=random.uniform(RotateAngle[0],RotateAngle[1])
         RotateScaleTmp=random.uniform(RotateScale[0],RotateScale[1])
         outImg=Rotate(item,RotateOrign,RotateAngleTmp,RotateScaleTmp)
         cv2.imwrite(path,outImg)

2.图片的平移

先定义平移矩阵M，再用warpAffine对图片应用仿射变换。

#图像平移参数
MoveX=(50,100) #向X方向移动多少像素单位
MoveY=(-50,50) #向Y方向移动多少像素单位

#定义平移操作函数
def Translate(image,moveX,moveY):
    img=cv2.imread(image)
    M=np.float32([[1,0,moveX],[0,1,moveY]])
    dst=cv2.warpAffine(img,M,img.shape[:2])
    return dst

#生成图片
for item in imgList:
    for num in range(generateImgNum): #generateImgNum：生成图片数量
        outImg=Translate(item,random.randint(MoveX[0],MoveX[1])
        ,random.randint(MoveY[0],MoveY[1]))
        cv2.imwrite(path,outImg)

除了通过几何变换扩充数据集样本量之外，常见的数据预处理还有通过卷积操作从输入图像中提取特征。常见的卷积操作有高斯模糊和边缘检测。

3.高斯模糊

高斯模糊，也叫高斯平滑，通常用它来减少图片噪声以及降低细节层次（百度百科）

用cv2.GaussianBlur进行高斯模糊，其中高斯卷积核的尺寸必须是正数和奇数。

#高斯模糊参数
GaussianBlurkernelSize=5 #高斯卷积核的尺寸
GaussianBlurSigma=(0,2) #高斯核标准差范围

#定义高斯模糊函数
def GaussianBlur(image,kernelSize,sigma):
    img=cv2.imread(image)
    Gblur=cv2.GaussianBlur(img,(kernelSize,kernelSize),sigma)
    return Gblur

#模糊图片
for item in imgList:
    for num in range(generateImgNum): #generateImgNum：生成图片数量
        GaussianBlurSigmaTmp=random.randint(GaussianBlurSigma[0],GaussianBlurSigma[1])
            outImg=GaussianBlur(item,GaussianBlurkernelSize,GaussianBlurSigmaTmp)
            cv2.imwrite(path,outImg)

4.边缘检测

边缘检测提取图片的边缘特征。Canny算法处理前后的图片（图片来自OpenCV文档）：

?边缘检测的几种常见算法：Sobel、Laplacian、Canny。

4.1?Sobel

依据：对像素点上下、左右邻点灰度加权差，在边缘处达到极值。先对x方向的梯度进行计算并取绝对值（有小于0的像素值），再对y方向的梯度进行计算并取绝对值，最后对图片混合加权。

sobelx = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=3) #1,0表示计算方向为x
sobelx = cv2.convertScaleAbs(sobelx) #取绝对值

sobely = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=3) #0,1表示计算方向为y
sobely = cv2.convertScaleAbs(sobely) #取绝对值

sobelxy = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0) #混合加权

4.2?Laplacian

依据：进行二阶导数计算，最大变化处的值为零即边缘是零值。直接用cv2.Laplacian进行边缘检测。

laplacian = cv2.Laplacian(img, cv2.CV_64F,ksize=3)
laplacian = cv2.convertScaleAbs(laplacian)

4.3?Canny

?用cv2.Canny实现边缘检测。Canny算法中设置高阈值和低阈值，其中高阈值将要提取轮廓的物体与背景区分开来，低阈值用来平滑轮廓。?

EdgeDetectionThreshold1=25    #低阈值
EdgeDetectionThreshold2=250   #高阈值

def EdgeDetection(image,threshold1,threshold2,):
    img=cv2.imread(image)
    edges=cv2.Canny(img,threshold1,threshold2)
    return edges

for item in imgList:
    outImg=EdgeDetection(item,EdgeDetectionThreshold1,EdgeDetectionThreshold2)
    cv2.imwrite(path,outImg)

4.4 Canny算法的改进

参考文献：一种改进自适应阈值的Canny算法

OpenCV文档关于传统Canny算法的介绍：Canny Edge Detector

传统Canny算法的实现过程：

图像高斯滤波。平滑图像，消除噪声。
计算图像中每个像素点的梯度强度和方向。
应用非极大值抑制。删除不被视为边缘的一部分像素，只保留候选边缘。
应用双阈值检测来确定边缘。

Canny算法的改进：

采用双边滤波替代高斯滤波。双边滤波的核函数是空间域核与像素范围域核的综合结果，同时考虑了空间域信息和灰度相似性，而高斯滤波只考虑了像素间的空间距离关系。双边过滤实现函数：cv2.bilateralFilter实现双边过滤，cv2.adaptiveBilateralFilter实现自适应双边滤。
采用最优阈值分割法求取高阈值，采用Otsu法确定低阈值。