前言

Keras中有一個圖像數(shù)據(jù)處理器ImageDataGenerator，能夠很方便地進(jìn)行數(shù)據(jù)增強(qiáng)，并且從文件中批量加載圖片，避免數(shù)據(jù)集過大時，一下子加載進(jìn)內(nèi)存會崩掉。但是從官方文檔發(fā)現(xiàn)，并沒有一個比較重要的圖像增強(qiáng)方式：隨機(jī)裁剪，本博客就是記錄一下如何在對ImageDataGenerator中生成的batch做圖像裁剪

國際慣例，參考博客：

官方ImageDataGenerator文檔

Keras 在fit_generator訓(xùn)練方式中加入圖像random_crop

Extending Keras’ ImageDataGenerator to Support Random Cropping

how to use fit_generator with multiple image inputs

第二個博客比較全，第三個博客只介紹了分類數(shù)據(jù)的增強(qiáng)，如果是圖像分割或者超分辨率，輸出仍是一張圖像，所以涉及到對image和mask進(jìn)行同步增強(qiáng)

代碼

先介紹一下數(shù)據(jù)集目錄結(jié)構(gòu)：

在test文件夾下，分別有GT和NGT兩個文件夾，每個文件夾存儲的都是bmp圖像文件

其次需要注意，從ImageDataGenerator中取數(shù)據(jù)用的是next(generator)函數(shù)

• 載入相關(guān)包

  from keras_preprocessing.image import ImageDataGenerator import matplotlib.pyplot as plt import numpy as np

• 先使用自帶的ImageDataGenerator配合flow_from_director讀取數(shù)據(jù)
  創(chuàng)建生成器

  train_img_datagen=ImageDataGenerator()#各種預(yù)處理 train_mask_datagen=ImageDataGenerator()#各種預(yù)處理

  讀取文件

  seed=2 #圖像會隨機(jī)打亂即shuffle，但是輸入和輸出的打亂順序必須一樣 batch_size=2 target_size=(1080,1920) train_img_gen=train_img_datagen.flow_from_directory('./test',classes=['NGT'],class_mode=None,batch_size=batch_size,target_size=target_size,shuffle=True,seed=seed,interpolation='bicubic') train_mask_gen=train_img_datagen.flow_from_directory('./test',classes=['GT'],class_mode=None,batch_size=batch_size,target_size=target_size,shuffle=True,seed=seed,interpolation='bicubic')

  封裝打包

  train_generator=zip(train_img_gen,train_mask_gen)

• 定義裁剪器，裁剪圖像和對應(yīng)的mask:

  def crop_generator(batch_gen,crop_size=(270,480)):while True:batch_x,batch_y=next(batch_gen)crops_img=np.zeros((batch_x.shape[0],crop_size[0],crop_size[1],3))crops_mask=np.zeros((batch_y.shape[0],crop_size[0],crop_size[1],3))height,width=batch_x.shape[1],batch_x.shape[2]for i in range(batch_x.shape[0]):#裁剪圖像x=np.random.randint(0,height-crop_size[0]+1)y=np.random.randint(0,width-crop_size[1]+1)crops_img[i]=batch_x[i,x:x+crop_size[0],y:y+crop_size[1]]crops_mask[i]=batch_y[i,x:x+crop_size[0],y:y+crop_size[1]]yield (crops_img,crops_mask)

• 使用裁剪器對Generator進(jìn)行裁剪

  train_crops=crop_generator(train_generator)

可視化：

img,mask=next(train_crops) print(img.shape) plt.subplot(2,1,1) plt.imshow(img[0]/255) plt.subplot(2,1,2) plt.imshow(mask[0]/255)

后記

記住要用while(True)死循環(huán)，并且yield在while循環(huán)內(nèi)部，和for循環(huán)外部，代表每個批次

代碼：
鏈接：https://pan.baidu.com/s/1UNZLke5kygBFHJ8iR8wV2A
提取碼：e51e

總結(jié)

以上是生活随笔為你收集整理的【TensorFlow-windows】keras接口——ImageDataGenerator裁剪的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。