调节色相的方法在此场景下是最有用的方法，产生的训练集最多，率先来看下色相相邻为 10 的图片之间的差距吧（提示：每张图片的左上角标识出了该图片的色相）：
几乎每个图片都能作为新的训练集，由于色相调节范围只能在 0 - 200 之间，所以从色相为 0 的图片开始，每增加 10 色相就选出来加入训练集，直到色相为 190 的图片，其中色相为 100 的图片不算。 这样就能够产生 20 张图片作为训练集。
至于调节色相的代码则和亮度、饱和度一样，只是改变了第三个参数：
/** * 调整色相 * @param inputPath 输入的图像文件路径 * @param outputPath 输出的图像文件路径 * @param hue 图像色相的值，基准值是 100，比 100 高则是增加色相，比 100 低则是减少色相 * @param callback 处理后的回调函数 */ function adjustHue(inputPath, outputPath, hue, callback) { gm(inputPath) .modulate(100, 100, hue) .write(outputPath, callback); }
调节色相并不是万能的，只是适用于这个场景，当然，我们团队的需求都是类似这个场景的。但是，如果你要训练识别梨的人工智能，告诉它有个蓝色的梨显然是不合适的。
调节对比度
调整对比度用到了 gm 的 .contrast 方法：
/** * 调整对比度 * @param inputPath 输入的图像文件路径 * @param outputPath 输出的图像文件路径 * @param multiplier 调节对比度的因子，默认是 0，可以为负值，n 表示增加 n 次对比度，-n 表示降低 n 次对比度 * @param callback 处理后的回调函数 */ function adjustContrast(inputPath, outputPath, multiplier, callback) { gm(inputPath) .contrast(multiplier) .write(outputPath, callback); }
下面是对比度因子从 -10 到 10 之间的图像，可以看到图片质量较好的区间是 [-5, 2]，其他都会丢失一些细节。另外相邻对比度因子的图片之间的差异也比较明显，所以每张图片都可作为训练集，这样又多出 7 张图片。
总结
通过上述 5 种方法，可以在一张图片的基础上额外获得 40 张图片，即训练集是原来的 40 倍。这还是在没有多种方法混合使用的情况下，如果混合使用，恐怕几百倍都不止。
gm 还支持对图片进行其他处理方式，你可以自己去发掘，每种方式在特定场景下都有自己的局限性，需要你去甄选。希望大家都有一个自己满意的训练集。