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 1477
Python基于图卷积的U-Net架构进行交通流量和速度的预测
使用Keras进行时间序列预测
奇解
07-23 1258
时间序列数据就是一个序列，因此使用神经网络进行时间序列预测时，首先要定义输入输出，本文作为一个样例，构建了一个时间序列预测模型，网络的输入输出结构为：前7天数据预测第8天的数据，这是自己定义的，即输出7个节点，输出1个节点， Python代码 # -- coding: utf-8 -- from sklearn.preprocessing import MinMaxScaler from skle...
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 2114
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。
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 1429
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！
unet
qq_41877400的博客
03-16 1529
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tf2的saved_model进行推理
sdhdsf132452的博客
02-08 649
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.
基于Keras实现泰坦尼克旅客生存预测
weixin_45191746的博客
03-20 692
源代码： import pandas as pd import numpy as np import os import tensorflow as tf import matplotlib.pyplot as plt from sklearn import preprocessing class Titanic: def __init__(self): data_fil...
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。
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。...
U-Net模型
weixin_44969144的博客
08-04 4087
在网络结构中，卷积基本上都是成对使用的，所以就定义了一个DoubleConv类网络结构图：1.1DoubleConv 模块代码实现)in_channels : 指的是输入特征层的channelsout_channels: 指的是经过DoubleConv层后输出特征层的channelsmid_channels: 指第一个卷积层输出的channels。......
argmax函数笔记-全是细节
To be a better man
06-22 279
argmax函数笔记-全是细节
记录：：图像分割数据集制作过程
qq_40242410的博客
07-26 1611
制作自己的数据集用于图像分割，主要分为4步，用于语义分割还是实例分割，训练和测试，全过程记录，deeplab模型
U-net学习笔记
qq_45813977的博客
07-19 6798
本文只是记录自己的学习过程，并不是面向技术向的硬核文章。U-net首见于这篇论文U-Net，距今7年，算是比较老的模型了，但是它的引用量突破了四万，由此看来，它的重要性不言而喻。U-net初始论文的标题就告诉我们，它是一个用于医学图像分割的卷积神经网络。...
第90步 深度学习图像分割：U-Net建模
qq_30452897的博客
11-12 617
第90步 深度学习图像分割：U-Net建模
argmax(axis=1) 用法 返回为一维ndarray
studyvcmfc的专栏
06-09 677
predicted_probs = np.array([[0., 2. , 0., 0., 0., 0.],[0., 0., 3., 0., 0., 0. ] ,[1., 0., 0., 0., 0., 0. ]]) predictions = predicted_probs.argmax(axis=1) print("predictions =",predicti.
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，我没办法编写代码。不过我可以向您提供几个参考链接： 1. https://blog.keras.io/building-a-simple-keras-deep-learning-rest-api.html - 这篇博客介绍了如何使用Keras编写一个基本的深度学习模型，包括对图像进行分类。 2. https://towardsdatascience.com/attention-and-memory-in-deep-learning-and-nlp-with-keras-207761e72665 - 这篇博客详细介绍了如何在Keras中实现注意力机制，并将其应用于深度学习和NLP领域。 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！
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