目录
Augment HSV(Hue, Saturation,Value)
yolov5 数据增强
Mosaic
4张图像使用随机缩放、随机裁剪、随机排布的方式拼接成一张图片
Copy paste
直接复制粘贴，但是数据集必须要求实例分割的数据标签
Random affine
仿射变换，即旋转，缩放，平移，错切
yaml配置文件中，只启用了缩放和平移
MixUp
将两张图片按照一定透明程度混合成一张新的图片
源码中，每次只有10%的概率启用
Albumentations
滤波、直方图均衡化以及改变图片质量等
是一个第三方包，安装了这个包就会启动。pip列表中是默认不去安装。
Augment HSV(Hue, Saturation,Value)
随机调整色度、饱和度、明度
Random horizontal flip
按一定比例，将图片按水平方向翻转
红外数据增强
红外图像的缺点
(1)红外热图像表征景物的温度分布，是灰度图像，没有彩色或阴影，分辨率低、分辨潜力差；
(2) 红外图像空间相关性强、对比度低、视觉效果模糊；
(3) 红外图像的清晰度低于可见光图像；
(4)外界环境的随机干扰和热成像系统的不完善，给红外图像带来多种多样的噪声，导致红外图像的信噪比非常低；
(5)外界干扰造成红外图像的非均匀性，体现为图像的固定图案噪声、串扰、 畸变等。
红外成像技术的特点
（1）红外辐射能够穿过雾、烟尘而且系统工作波段宽，系统作用距离远;
（2）采取被动工作方式，不易被发现或受干扰;
（3）可在昼夜或恶劣气候下工作，接近全天候;
（4）适合高精度跟踪瞄准;
（5）不易受射击、爆炸和照明闪光等强光影响。
红外图像增强经典算法
图像增强是指根据特定的需要突出图像中的重要信息，同时减弱或去除不需要的信息。从不同的途径获取的图像，通过进行适当的增强处理，可以将原本模糊不清甚至根本无法分辨的原始图像处理成清晰的富含大量有用信息的可使用图像，有效地去除图像中的噪声、增强图像中的边缘或其他感兴趣的区域，从而更加容易对图像中感兴趣的目标进行检测和测量。
灰度线性变换
灰度非线性变换
指数变换用于扩展高灰度区，一般适用于过亮的图像
对数变换用于扩展低灰度区，一般适用于过暗的图像
直方图处理
红外图像数字细节增强（DDE）
红外图像通常用于检测低热量的物体，因此需要具有较高的动态范围来捕捉不同温度的目标物体。较高的位深度可以提供更多的灰度级，从而更准确地表示各个温度的变化，所以红外系统中图像大多是14位或更高位的。
而通常显示的设备只要求8位数据宽度，所以需要将14位压缩到8位。于是，如果压缩方法处理不当，使得本来探测到大动态图像的信息得不到显示，即大动态图像压缩可能会造成原有信息丢失，在显示图像中表现为图像细节的损失。
对于目前常用的线性映射（如AGC，Automatic Gain Control）或非线性映射（如直方图均衡、gamma变换）等压缩方法，由于小目标或物体局部的图像在温差或像素上都不占优势，使得这些方法在大动态图像的压缩中普遍存在缺陷。
DDE（Digital Detail Enhancement）技术可以解决这个问题，它是一种高级非线性图像处理算法，在算法处理时，先利用特殊的滤波器将图像的背景层（低频部分）和细节层（高频部分）进行分离，然后分别对提取的背景层和细节层进行相应的灰度增强和噪声抑制处理，再调整和压缩各图层的动态范围，最终合成一幅8bits的输出图像。这样，就可以在8bits范围内表现处14bits图像中的大动态温差以及目标局部的细节信息。
低频信息：低频信息主要反映图像的整体亮度、颜色和较大尺度结构。这包括图像的平坦区域、背景、光照等。低频信息在图像中的变化较为平缓，变化趋势相对缓慢。
高频信息：高频信息主要反映图像中的细节、纹理和较小尺度的结构。这包括图像中的边缘、纹理细节、目标物体的边界等。高频信息在图像中的变化较为剧烈，有许多细微的变化。
如上图所示，相比普通的线性映射及直方图均衡算法，DDE可以在保留动态范围的前提下，极大的增强图像的细节。图(a)中人的面部（位置1），电路板（位置3）这些高温物体的局部温差不仅都得到了体现，而且可在位置2上发现热像自身辐射在玻璃上反射所成的镜像，图(c)中高炉的炉壁以及中间的燃料通过DDE增强后也清晰可见。
声明：本文整理自网络，已在文中指明出处；如有侵权立删除！