前言

Keras中有一个图像数据处理器ImageDataGenerator，能够很方便地进行数据增强，并且从文件中批量加载图片，避免数据集过大时，一下子加载进内存会崩掉。但是从官方文档发现，并没有一个比较重要的图像增强方式：随机裁剪，本博客就是记录一下如何在对ImageDataGenerator中生成的batch做图像裁剪

国际惯例，参考博客：

官方ImageDataGenerator文档

Keras 在fit_generator训练方式中加入图像random_crop

Extending Keras’ ImageDataGenerator to Support Random Cropping

how to use fit_generator with multiple image inputs

第二个博客比较全，第三个博客只介绍了分类数据的增强，如果是图像分割或者超分辨率，输出仍是一张图像，所以涉及到对image和mask进行同步增强

代码

先介绍一下数据集目录结构：

在test文件夹下，分别有GT和NGT两个文件夹，每个文件夹存储的都是bmp图像文件

其次需要注意，从ImageDataGenerator中取数据用的是next(generator)函数

载入相关包

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

先使用自带的ImageDataGenerator配合flow_from_director读取数据
创建生成器

train_img_datagen=ImageDataGenerator()#各种预处理
train_mask_datagen=ImageDataGenerator()#各种预处理

读取文件

seed=2 #图像会随机打乱即shuffle，但是输入和输出的打乱顺序必须一样
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')

封装打包

train_generator=zip(train_img_gen,train_mask_gen)

定义裁剪器，裁剪图像和对应的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]):#裁剪图像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)

使用裁剪器对Generator进行裁剪

train_crops=crop_generator(train_generator)

可视化：

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)

后记

记住要用while(True)死循环，并且yield在while循环内部，和for循环外部，代表每个批次

代码：
链接：https://pan.baidu.com/s/1UNZLke5kygBFHJ8iR8wV2A
提取码：e51e

【TensorFlow-windows】keras接口——ImageDataGenerator裁剪相关推荐

【TensorFlow-windows】keras接口——利用tensorflow的方法加载数据
前言之前使用tensorflow和keras的时候,都各自有一套数据读取方法,但是遇到一个问题就是,在训练的时候,GPU的利用率忽高忽低,极大可能是由于训练过程中读取每个batch数据造成的,所以又 ...
windows安装TensorFlow和Keras遇到的问题及其解决方法
windows安装TensorFlow和Keras遇到的问题及其解决方法参考文章: (1)windows安装TensorFlow和Keras遇到的问题及其解决方法 (2)https://www.cn ...
加快Tensorflow和Keras图像数据集的训练速度
这几天在训练一个CNN网络,使用到了两百多万个图片,虽然使用到了GPU NVIDIA GeForce GTX 1080Ti,但是还是很慢.故查阅了一些训练提速的文章,跟大家分享. Tensorflow ...
2_初学者快速掌握主流深度学习框架Tensorflow、Keras、Pytorch学习代码（20181211）
初学者快速掌握主流深度学习框架Tensorflow.Keras.Pytorch学习代码一.TensorFlow 1.资源地址: 2.资源介绍: 3.配置环境: 4.资源目录: 二.Keras 1.资 ...
深度学习：常见深度学习框架【Theano、TensorFlow、Keras、Caffe/Caffe2、MXNet、CNTK、PyTorch】
常见的深度学习框架有 TensorFlow .Caffe.Theano.Keras.PyTorch.MXNet等,如下图所示.这些深度学习框架被应用于计算机视觉.语音识别.自然语言处理与生物信息学等领 ...
主流深度学习框架对比（TensorFlow、Keras、MXNet、PyTorch）
近几年来,深度学习的研究和应用的热潮持续高涨,各种开源深度学习框架层出不穷,包括TensorFlow,Keras,MXNet,PyTorch,CNTK,Theano,Caffe,DeepLearnin ...
【TensorFlow-windows】keras接口——卷积手写数字识别，模型保存和调用
前言上一节学习了以TensorFlow为底端的keras接口最简单的使用,这里就继续学习怎么写卷积分类模型和各种保存方法(仅保存权重.权重和网络结构同时保存) 国际惯例,参考博客: 官方教程 [注] ...
TensorFlow和Keras入门必读教程
导读:本文对TensorFlow的框架和基本示例进行简要介绍. 作者:本杰明·普朗什(Benjamin Planche)艾略特·安德烈斯(Eliot Andres) 来源:大数据DT(ID:hzdas ...
Win10安装GPU版tensorflow和keras
Win10安装GPU版tensorflow和keras 1.python安装在此选用python3.7安装见详细教程https://blog.csdn.net/weixin_43545253/art ...

【TensorFlow-windows】keras接口——ImageDataGenerator裁剪

前言

代码

后记

【TensorFlow-windows】keras接口——ImageDataGenerator裁剪相关推荐

最新文章

热门文章