小白思路理顺U-Net模型（keras）--预测部分

最新推荐文章于 2024-04-25 16:20:37 发布
最新推荐文章于 2024-04-25 16:20:37 发布
阅读量1.1k 收藏 9
点赞数 2
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liupeng521521/article/details/115643847
版权

第一、写法1：这里对最后预测出来的结果图直接保存成tif，在arcgis中打开了。


from keras.layers import *
from keras.models import *
from PIL import Image


image_input = Input(shape=(512, 512, 3))

# <editor-fold desc="左半边的编码结构，进行不断的下采样">
# block1 , (512,512,3)-->(512,512,64)
x = Conv2D(64, (3, 3), padding='same', activation='relu', name='block1_conv1')(image_input)
x = Conv2D(64, (3, 3), padding='same', activation='relu', name='block1_conv2')(x)
feat1 = x
# 最大池化，(512,512,64)-->(256,256,64)
x = MaxPooling2D((2, 2), strides=(2, 2), name='block1_pool')(x)

# block2 , (256,256,64)-->(256,256,128)
x = Conv2D(128, (3, 3), padding='same', activation='relu', name='block2_conv1')(x)
x = Conv2D(128, (3, 3), padding='same', activation='relu', name='block2_conv2')(x)
feat2 = x
# 最大池化，(256,256,128)-->(128,128,128)
x = MaxPooling2D((2, 2), strides=(2, 2), name='block2_pool')(x)

# block3 , (128,128,128)-->(128,128,256)
x = Conv2D(256, (3, 3), padding='same', activation='relu', name='block3_conv1')(x)
x = Conv2D(256, (3, 3), padding='same', activation='relu', name='block3_conv2')(x)
x = Conv2D(256, (3, 3), padding='same', activation='relu', name='block3_conv3')(x)
feat3 = x
# 最大池化，(128,128,256)-->(64,64,256)
x = MaxPooling2D((2, 2), strides=(2, 2), name='block3_pool')(x)

# block4 , (64,64,256)-->(64,64,512)
x = Conv2D(512, (3, 3), padding='same', activation='relu', name='block4_conv1')(x)
x = Conv2D(512, (3, 3), padding='same', activation='relu', name='block4_conv2')(x)
x = Conv2D(512, (3, 3), padding='same', activation='relu', name='block4_conv3')(x)
feat4 = x
# 最大池化，(64,64,512)-->(32,32,512)
x = MaxPooling2D((2, 2), strides=(2, 2), name='block4_pool')(x)

# block5 , (32,32,512)-->(32,32,512)
x = Conv2D(512, (3, 3), padding='same', activation='relu', name='block5_conv1')(x)
x = Conv2D(512, (3, 3), padding='same', activation='relu', name='block5_conv2')(x)
x = Conv2D(512, (3, 3), padding='same', activation='relu', name='block5_conv3')(x)
feat5 = x
# </editor-fold>

#-------------------------------#
    #   获得五个有效特征层
    #   feat1   512,512,64
    #   feat2   256,256,128
    #   feat3   128,128,256
    #   feat4   64,64,512
    #   feat5   32,32,512
#-------------------------------#

# <editor-fold desc="解码部分，上采样">
# 开始解码，上采样
# (32,32,512)-->(64,64,512)
P5_up = UpSampling2D(size=(2, 2))(feat5)
# (64,64,512)-->(64,64,1024)
P4 = Concatenate(axis=3)([feat4, P5_up])
# (64,64,1024)-->(64,64,512)
P4 = Conv2D(512, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(P4)
P4 = Conv2D(512, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(P4)
# (64,64,512)-->(128,128,512)
P4_up = UpSampling2D(size=(2, 2))(P4)
# (128,128,512) + (128,128,256)-->(128,128,768)
P3 = Concatenate(axis=3)([feat3, P4_up])
# (128,128,768)-->(128,128,256)
P3 = Conv2D(256, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(P3)
P3 = Conv2D(256, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(P3)
# (128,128,256)-->(256,256,256)
P3_up = UpSampling2D(size=(2, 2))(P3)
# (256,256,256) + (256,256,128)-->(256,256,384)
P2 = Concatenate(axis=3)([feat2, P3_up])
# (256,256,384)-->(256,256,128)
P2 = Conv2D(128, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(P2)
P2 = Conv2D(128, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(P2)
# (256,256,128)-->(512,512,128)
P2_up = UpSampling2D(size=(2, 2))(P2)
# (512,512,128) + (512,512,64)-->(512,512,192)
P1 = Concatenate(axis=3)([feat1, P2_up])
# (512,512,192)-->(512,512,64)
P1 = Conv2D(64, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(P1)
P1 = Conv2D(64, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(P1)

# (512,512,64)-->(512,512,num_classes)
P1 = Conv2D(21, (1, 1), activation='softmax')(P1)
# </editor-fold>

# 构建模型
model = Model(inputs=image_input, outputs=P1)
# 加载权重
model.load_weights('D:/unet-keras-master/model_data/unet_voc.h5')
# 加载数据
image = Image.open('D:/unet-keras-master/img/street.jpg')
image = image.resize((512,512), Image.BICUBIC)
# 注意下面的方括号，不加是(512, 512, 3)，加上是(1, 512, 512, 3)
img = np.asarray([np.array(image) / 255]) # img.shape = (1, 512, 512, 3)

# 进行预测
pr = model.predict(img)[0] # pr.shape = (512, 512, 21)
print(pr.shape)

# 这里的argmax(axis=-1)就是找出最大值在位深上的序号，
# 比如某个位置21个值，第15个位置数值最大，返回的就是15，对应第15个类别
# 其实这里就已经生成了一张类别图，用gdal把这个二维图形保存成tif，在arcgis打开就可以看到预测效果
pr = pr.argmax(axis=-1)
print(pr.shape) # pr.shape = (512, 512)

import gdal

# 创建tif文件
driver = gdal.GetDriverByName("GTiff")
New_YG_dataset = driver.Create(r'F:\YG\result\结果图.tif', 512, 512, 1, gdal.GDT_Float32)
band = New_YG_dataset.GetRasterBand(1)
band.WriteArray(pr)

 

第二、写法2：对预测出来的结果图，进行代码赋彩色。


from keras.layers import *
from keras.models import *
from PIL import Image
import numpy as np


image_input = Input(shape=(512, 512, 3))

# <editor-fold desc="左半边的编码结构，进行不断的下采样">
# block1 , (512,512,3)-->(512,512,64)
x = Conv2D(64, (3, 3), padding='same', activation='relu', name='block1_conv1')(image_input)
x = Conv2D(64, (3, 3), padding='same', activation='relu', name='block1_conv2')(x)
feat1 = x
# 最大池化，(512,512,64)-->(256,256,64)
x = MaxPooling2D((2, 2), strides=(2, 2), name='block1_pool')(x)

# block2 , (256,256,64)-->(256,256,128)
x = Conv2D(128, (3, 3), padding='same', activation='relu', name='block2_conv1')(x)
x = Conv2D(128, (3, 3), padding='same', activation='relu', name='block2_conv2')(x)
feat2 = x
# 最大池化，(256,256,128)-->(128,128,128)
x = MaxPooling2D((2, 2), strides=(2, 2), name='block2_pool')(x)

# block3 , (128,128,128)-->(128,128,256)
x = Conv2D(256, (3, 3), padding='same', activation='relu', name='block3_conv1')(x)
x = Conv2D(256, (3, 3), padding='same', activation='relu', name='block3_conv2')(x)
x = Conv2D(256, (3, 3), padding='same', activation='relu', name='block3_conv3')(x)
feat3 = x
# 最大池化，(128,128,256)-->(64,64,256)
x = MaxPooling2D((2, 2), strides=(2, 2), name='block3_pool')(x)

# block4 , (64,64,256)-->(64,64,512)
x = Conv2D(512, (3, 3), padding='same', activation='relu', name='block4_conv1')(x)
x = Conv2D(512, (3, 3), padding='same', activation='relu', name='block4_conv2')(x)
x = Conv2D(512, (3, 3), padding='same', activation='relu', name='block4_conv3')(x)
feat4 = x
# 最大池化，(64,64,512)-->(32,32,512)
x = MaxPooling2D((2, 2), strides=(2, 2), name='block4_pool')(x)

# block5 , (32,32,512)-->(32,32,512)
x = Conv2D(512, (3, 3), padding='same', activation='relu', name='block5_conv1')(x)
x = Conv2D(512, (3, 3), padding='same', activation='relu', name='block5_conv2')(x)
x = Conv2D(512, (3, 3), padding='same', activation='relu', name='block5_conv3')(x)
feat5 = x
# </editor-fold>

#-------------------------------#
    #   获得五个有效特征层
    #   feat1   512,512,64
    #   feat2   256,256,128
    #   feat3   128,128,256
    #   feat4   64,64,512
    #   feat5   32,32,512
#-------------------------------#

# <editor-fold desc="解码部分，上采样">
# 开始解码，上采样
# (32,32,512)-->(64,64,512)
P5_up = UpSampling2D(size=(2, 2))(feat5)
# (64,64,512)-->(64,64,1024)
P4 = Concatenate(axis=3)([feat4, P5_up])
# (64,64,1024)-->(64,64,512)
P4 = Conv2D(512, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(P4)
P4 = Conv2D(512, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(P4)
# (64,64,512)-->(128,128,512)
P4_up = UpSampling2D(size=(2, 2))(P4)
# (128,128,512) + (128,128,256)-->(128,128,768)
P3 = Concatenate(axis=3)([feat3, P4_up])
# (128,128,768)-->(128,128,256)
P3 = Conv2D(256, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(P3)
P3 = Conv2D(256, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(P3)
# (128,128,256)-->(256,256,256)
P3_up = UpSampling2D(size=(2, 2))(P3)
# (256,256,256) + (256,256,128)-->(256,256,384)
P2 = Concatenate(axis=3)([feat2, P3_up])
# (256,256,384)-->(256,256,128)
P2 = Conv2D(128, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(P2)
P2 = Conv2D(128, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(P2)
# (256,256,128)-->(512,512,128)
P2_up = UpSampling2D(size=(2, 2))(P2)
# (512,512,128) + (512,512,64)-->(512,512,192)
P1 = Concatenate(axis=3)([feat1, P2_up])
# (512,512,192)-->(512,512,64)
P1 = Conv2D(64, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(P1)
P1 = Conv2D(64, (3, 3), padding='same', activation='relu', kernel_initializer='he_normal')(P1)

# (512,512,64)-->(512,512,num_classes)
P1 = Conv2D(21, (1, 1), activation='softmax')(P1)
# </editor-fold>

# 构建模型
model = Model(inputs=image_input, outputs=P1)
# 加载权重
model.load_weights('D:/unet-keras-master/model_data/unet_voc.h5')
# 加载数据
image = Image.open('D:/unet-keras-master/img/street.jpg')
image = image.resize((512,512), Image.BICUBIC)
old_img = copy.deepcopy(image)
# 注意下面的方括号，不加是(512, 512, 3)，加上是(1, 512, 512, 3)
img = np.asarray([np.array(image) / 255]) # img.shape = (1, 512, 512, 3)

# 进行预测
pr = model.predict(img)[0] # pr.shape = (512, 512, 21)
print(pr.shape)

# 这里的argmax(axis=-1)就是找出最大值在位深上的序号，
# 比如某个位置21个值，第15个位置数值最大，返回的就是15，对应第15个类别
# 其实这里就已经生成了一张类别图，用gdal把这个二维图形保存成tif，在arcgis打开就可以看到预测效果
pr = pr.argmax(axis=-1)
print(pr.shape)

colors = [(0, 0, 0), (128, 0, 0), (0, 128, 0), (128, 128, 0), (0, 0, 128), (128, 0, 128), (0, 128, 128),
                    (128, 128, 128), (64, 0, 0), (192, 0, 0), (64, 128, 0), (192, 128, 0), (64, 0, 128), (192, 0, 128),
                    (64, 128, 128), (192, 128, 128), (0, 64, 0), (128, 64, 0), (0, 192, 0), (128, 192, 0), (0, 64, 128), (128, 64, 12)]
# 这里先创建一个三通道的空数组
seg_img = np.zeros((512,512,3))
# 对结果图的二维数组进行遍历，如果某个位置的像元值等于c，这个位置对应空数组第一个波段的像元值赋值为colors[c][0]
for c in range(21):
    seg_img[:, :, 0] = seg_img[:, :, 0] + ((pr[:, :] == c) * (colors[c][0])).astype('uint8')
    seg_img[:, :, 1] = seg_img[:, :, 1] + ((pr[:, :] == c) * (colors[c][1])).astype('uint8')
    seg_img[:, :, 2] = seg_img[:, :, 2] + ((pr[:, :] == c) * (colors[c][2])).astype('uint8')
# 将新图片转换为Image格式
image = Image.fromarray(np.uint8(seg_img))
# 这个就是将结果图和原图进行合并
image = Image.blend(old_img,image,0.7)
image.show()

 

 

 

LP点绛唇
关注
  • 2
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图神经网络 | Python基于图卷积的U-Net架构进行交通流量和速度的预测
前程算法屋的博客
11-21 1464
Python基于图卷积的U-Net架构进行交通流量和速度的预测
u-net 实现(keras)
04-17
**全卷积神经网络U-Net与Keras实现** 在深度学习领域，U-Net是一种广泛应用的全卷积神经网络（Fully ...通过Keras这一用户友好的框架，我们可以方便地搭建、训练并部署U-Net模型，从而解决各种图像分割挑战。
语义分割——浅谈U-net模型相关理论
最新发布
tang_seven的博客
04-25 1996
对语义分割模型U-net进行简单的介绍和总结，并对其常用的优化思路进行总结。
Numpy学习笔记(二):argmax参数中axis=0,axis=1,axis=-1详解附代码
源的博客
01-28 3553
文章目录1.argmax和max函数区别2.axis=0/axis=1/axis=-1的区别3.具体代码分析---3.1一维数组---3.2二维数组---3.3三维数组 1.argmax和max函数区别 argmax()返回的是函数取到最大值时的参数t，也就是说返回最大值的索引 max返回的是函数的最大值 2.axis=0/axis=1/axis=-1的区别 我们考虑它们的时候千万不要用行和列的思想去考虑axis，因为行和列是没有方向的。 根据官方的说话，axis=1表示数组的变化是横向的，而体现出来的是列
u-net 预测
雪剑封心
01-27 360
【代码】u-net 预测。
关于U-net图像分割 预测结果（预测效果） 全黑/全灰/全白的问题
qq_45103693的博客
10-26 1404
以下是train.py的完整参数设置，仅供参考，batch_size请根据自身情况调小，欢迎反馈效果！
【numpy】argmax参数辨析（axis=0,axis=1,axis=2,axis=-1)
qq_42262610的博客
09-29 549
转载：https://blog.csdn.net/weixin_39190382/article/details/105854567
【numpy】argmax参数辨析（axis=0,axis=1,axis=-1)
热门推荐
胡侃有料的博客
04-30 2万+
every blog every motto: You can do more than you think. 0. 前言 网上一般都是axis=0,axis=1，很少有axis=-1的博客，在这进行简单的小结，后续可能会增补。 说明： 代码在 jupyter notebook中实现。 1. 正文 1.1 简单介绍 argmax：一句话概括，返回最大值的索引。 当然这个索引是有讲究的。比如，学生...
2020-CBMS-DoubleU-Net:在TensorFlow Keras中用于语义图像分割的DoubleU-Net
03-21
DoubleU-Net：用于医学图像分割的深度卷积神经网络 DoubleU-Net以VGG19作为编码器子网开始，其后是解码器子网。在网络中，输入图像被馈送到修改后的UNet（UNet1），后者会生成预测的蒙版（即output1）。然后，我们将...
keras-tcn：Keras时间卷积网络
02-03
pip install keras-tcn Keras时间卷积网络。 []为什么选择时间卷积网络？ 与具有相同容量的循环体系结构相比，TCN具有更长的内存。 在各种任务（序列MNIST，添加问题，复制内存，字级PTB ...）上，其性能始终优于...
Wave-U-Net:Wave-U-Net的实现，用于音频源分离
05-02
Wave-U-Net是U-Net架构对一维时域的一种改编，可以执行端到端音频源分离。 通过一系列涉及一维卷积的下采样和上采样块以及下采样/上采样过程，可以在抽象和时间分辨率的多个尺度/级别上计算特征，并进行组合以进行...
Self-Attention-Keras：自我关注与文本分类
02-03
自关注与文本分类 本仓库基于自关注机制实现文本分类。 依赖 Python 3.5 凯拉斯 数据集 IMDB影评高度分类数据集，来自IMDB的25,000条影评，被标记为正面/纵向两种评价。影评已被预先为词下标构成的序列。...
numpy中concatenate的参数axis对数组有什么要求
linchun210的专栏
12-04 1434
第一次按ctrl+Z 写到一半的东西没了，（T_T）没事，再来 第二次按ctrl+Z（~_~ ~_~ ~_~ ~_~），我以已经无语 ，我只想撤消一行的~~~~~~~~~~~~~ ====================================================================================== 上结论：axis设定了要在哪个维度进行合...
unet
qq_41877400的博客
03-16 1510
U-Net ****摘要****(侵删) 在本文中，我们提出了一种网络和训练策略，它依赖于数据扩充的强大使用，以更有效地使用可用的带注释的样本。该体系结构由捕获上下文的收缩路径和支持精确定位的对称扩展路径组成。 该结构的两个优点; 1、使用需要标记的样本数量很少； 2、网络的训练非常有效率。 *1.Introduction* ****传统神经网络****: 1、其发展受限于可用的数据量和目前的网络结构； 2、传统分类神经网络****专注于分类****，但是****忽略了位置信息****（对每一个像素进行分
使用Keras处理回归问题——以预测房价为例
qq_35018557的博客
12-18 1168
1.波士顿房价数据集： 本次使用的波士顿房价数据集包含506个样本，其中404个训练样本和102个测试样本。每个样本包含13个特征，需要注意的是每个特征都有不同的取值范围，包括0-1、0-100、1-12等不同的取值范围。 2.分步骤实现： 1.加载波士顿房价数据集 2.数据预处理 3.构建网络 4.使用K折验证 5.绘制验证分数 3.全流程代码： import nu...
使用tf2的saved_model进行推理
sdhdsf132452的博客
02-08 646
import tensorflow as tf import cv2 from PIL import Image import numpy as np import colorsys import os import matplotlib.pyplot as plt def resize_image(image, size): """ 等比例resize """ iw, ih = image.size w, h = size scale = min(w/i.
keras利用已有模型进行预测
Alive_lei的博客
03-18 964
from tensorflow.python.keras.applications.vgg16 import VGG16, preprocess_input, decode_predictions from tensorflow.python.keras.preprocessing.image import load_img, img_to_array def predict(): model = VGG16() print(model.summary()) # 预测一张图类别 # 加载图片 要求是vgg
Python深度学习05——Keras循环神经网络实现股价预测
weixin_46277779的博客
07-03 4589
循环神经网络，RNN,LSTM,GRU，股价预测，
请用keras代码实现注意力机制的U-Net模型
04-22
抱歉，作为AI语言模型，...3. https://github.com/ufoym/implementations/tree/master/Unet/unet_keras - 这是一个在Keras中实现U-Net模型的GitHub存储库，其中还包括注意力机制的代码。 希望这些链接能对您有所帮助！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值