U-Net源码上实现自己数据集的分割任务

最新推荐文章于 2024-08-02 06:53:48 发布

Snowy_susu

最新推荐文章于 2024-08-02 06:53:48 发布

阅读量1.1w

点赞数 11

分类专栏：深度学习探索过程文章标签： U-Net

本文链接：https://blog.csdn.net/Snowy_susu/article/details/88998936

版权

本文档介绍了如何在Windows环境下，利用Python 3.5、TensorFlow 1.9.0和Keras 2.2.4实现U-Net网络模型，对256x256大小、8位深的PNG图像进行二类分割任务。数据集包括样本和对应的标签图像，存储在同一目录下不同文件夹中。训练和测试过程分别在两个Python文件中完成。在训练过程中遇到图片位深、命名和输出图像颜色问题，并给出了解决方案。

摘要由CSDN通过智能技术生成

# 深度学习还没开始就想放弃系列 #

环境： win7+python 3.5+ tensorflow 1.9.0 + keras 2.2.4

参考博客： U-net源码讲解（Keras）源码解析很棒很细！

全卷积神经网络图像分割(U-net)-keras实现代码根本来源于该博主的Github

深度学习数据增强（data_augmentation）:Keras ImageDataGenerator : keras的图像增强讲解，方便理解源码函数；

Keras中文文档——图片预处理：无意中翻到的，学习keras可以留存。

目的：利用U-Net （keras）实现自己数据集的分割任务，二类。

数据集准备：

样本： size： 256*256 位深为8，.png格式；

标签： size： 256*256 ，.png格式，使用photoshop软件标注控制位深为8，图片名于样本名字相同。

存储位置：同一个根目录下的两个文件夹中，文件名为：image, label

测试图片：位深为8，

主要代码：model.py:存放U-Net网络模型，keras写起来真的很简单！！

# model.py
import numpy as np 
import os
import skimage.io as io
import skimage.transform as trans
import numpy as np
from keras.models import *
from keras.layers import *
from keras.optimizers import *
from keras.callbacks import ModelCheckpoint, LearningRateScheduler
from keras import backend as keras

def unet(pretrained_weights = None,input_size = (256,256,1)):
    inputs = Input(input_size)
    conv1 = Conv2D(64, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(inputs)
    conv1 = Conv2D(64, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv1)
    pool1 = MaxPooling2D(pool_size=(2, 2))(conv1)
    conv2 = Conv2D(128, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(pool1)
    conv2 = Conv2D(128, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv2)
    pool2 = MaxPooling2D(pool_size=(2, 2))(conv2)
    conv3 = Conv2D(256, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(pool2)
    conv3 = Conv2D(256, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv3)
    pool3 = MaxPooling2D(pool_size=(2, 2))(conv3)
    conv4 = Conv2D(512, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(pool3)
    conv4 = Conv2D(512, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv4)
    drop4 = Dropout(0.5)(conv4)
    pool4 = MaxPooling2D(pool_size=