程序调试日志与经验2019/10/10

之前在写retinal vessel和object detection的程序时，没有总结调试过程的问题。
先开始归纳总结过程中遇到的问题，防止以后遇到再次耗费大量时间

1. Keras保存与加载模型（JSON+HDF5）
这符合retinal vessel程序中，基于tensorflow backend 的keras的框架。在程序的最开始定义了g和d，因此只需要使用g.load_weights(‘model.json.h5’)装载训练完后的network parameters。然后就可以继续训练或者是做prediction。（checkpoint的步骤类似于此，可自定义选择标准，做判断然后选择是否存储）。

2.1 Opencv-Python：图像尺寸、图像的读取、显示、保存与复制
2.2 OpenCV–图像上采样和降采样
在retinal vessel处理高resolution images的时候，考虑到计算力限制。经过试验，880×880的image batchsize只能取1。而HRF的分辨率在3500×2500左右，因此需要预先下采样，根据以往论文设置，将training dataset中images和labels，以及test dataset中的images全都下采样4倍，然后考虑到U-net结构计算值下采样16倍，因此需要padding成16倍的整数，最后取成880×592（这几乎是batchsize取2的极限尺寸，和720×720类似）。
其中使用到了：
img = cv2.imread(dirfile)
size = img.shape
cv2.imwrite(F:/images’,image,[int(cv2.IMWRITE_JPEG_QUALITY),5])三个参数分别对应保存的路径及文件名、图像矩阵、指定格式（对于JPEG，其表示的是图像的质量）
void pyrDown(InputArray src, OutputArray dst, const Size& dstsize=Size(), int borderType)