keras学习篇：图像预处理ImageDataGenerator 类

最新推荐文章于 2022-12-09 10:32:31 发布

初识-CV

最新推荐文章于 2022-12-09 10:32:31 发布

阅读量4.1k

点赞数 1

分类专栏： keras 文章标签： keras ImageDataGenerator .flow_from_directory .flow

本文链接：https://blog.csdn.net/qq_38410428/article/details/94051516

版权

keras 专栏收录该内容

9 篇文章 1 订阅

订阅专栏

ImageDataGenerator 类

通过实时数据增强生成张量图像数据批次。数据将不断循环（按批次）。

keras.preprocessing.image.ImageDataGenerator(featurewise_center=False,  
                                             samplewise_center=False, 
                                             featurewise_std_normalization=False, 
                                             samplewise_std_normalization=False, 
                                             zca_whitening=False, 
                                             zca_epsilon=1e-06, 
                                             rotation_range=0, 
                                             width_shift_range=0.0, 
                                             height_shift_range=0.0, 
                                             brightness_range=None, 
                                             shear_range=0.0, 
                                             zoom_range=0.0, 
                                             channel_shift_range=0.0, 
                                             fill_mode='nearest', 
                                             cval=0.0, 
                                             horizontal_flip=False, 
                                             vertical_flip=False, 
                                             rescale=None, 
                                             preprocessing_function=None, 
                                             data_format=None, 
                                             validation_split=0.0, 
                                             dtype=None)

参数

featurewise_center: 布尔值。将输入数据的均值设置为 0，逐特征进行。
samplewise_center: 布尔值。将每个样本的均值设置为 0。
featurewise_std_normalization: Boolean. 布尔值。将输入除以数据标准差，逐特征进行。
samplewise_std_normalization: 布尔值。将每个输入除以其标准差。
zca_epsilon: ZCA 白化的 epsilon 值，默认为 1e-6。
zca_whitening: 布尔值。是否应用 ZCA 白化。
rotation_range: 整数。随机旋转的度数范围。
width_shift_range: 浮点数、一维数组或整数
- float: 如果 <1，则是除以总宽度的值，或者如果 >=1，则为像素值。
- 1-D 数组: 数组中的随机元素。
- int: 来自间隔 (-width_shift_range, +width_shift_range) 之间的整数个像素。
- width_shift_range=2 时，可能值是整数 [-1, 0, +1]，与 width_shift_range=[-1, 0,
  +1] 相同；而 width_shift_range=1.0 时，可能值是 [-1.0, +1.0) 之间的浮点数。
height_shift_range: 浮点数、一维数组或整数。
shear_range: 浮点数。剪切强度（以弧度逆时针方向剪切角度）。
zoom_range: 浮点数或 [lower, upper]。随机缩放范围。如果是浮点数，[lower, upper] = [1-zoom_range, 1+zoom_range]。
channel_shift_range: 浮点数。随机通道转换的范围。
fill_mode: {“constant”, “nearest”, “reflect” or “wrap”} 之一。默认为’nearest’。输入边界以外的点根据给定的模式填充：'constant’、‘nearest’、‘reflect’、‘wrap’。
cval: 浮点数或整数。用于边界之外的点的值，当 fill_mode = “constant” 时。
horizontal_flip: 布尔值。随机水平翻转。
vertical_flip: 布尔值。随机垂直翻转。
rescale: 重缩放因子。默认为 None。如果是 None 或 0，不进行缩放，否则将数据乘以所提供的值（在应用任何其他转换之前）。
preprocessing_function: 应用于每个输入的函数。这个函数会在任何其他改变之前运行。这个函数需要一个参数：一张图像（秩为 3 的 Numpy 张量），并且应该输出一个同尺寸的 Numpy 张量。
data_format: 图像数据格式，{“channels_first”, “channels_last”} 之一。“channels_last” 模式表示图像输入尺寸应该为 (samples, height, width, channels)，“channels_first” 模式表示输入尺寸应该为 (samples, channels, height, width)。默认为在 Keras 配置文件 ~/.keras/keras.json 中的 image_data_format 值。如果你从未设置它，那它就是 “channels_last”。
validation_split: 浮点数。Float. 保留用于验证的图像的比例（严格在0和1之间）。
dtype: 生成数组使用的数据类型。

例子

使用 .flow(x, y) 的例子：

(x_train, y_train), (x_test, y_test) = cifar10.load_data()
y_train = np_utils.to_categorical(y_train, num_classes)
y_test = np_utils.to_categorical(y_test, num_classes)

datagen = ImageDataGenerator(
    featurewise_center=True,
    featurewise_std_normalization=True,
    rotation_range=20,
    width_shift_range=0.2,
    height_shift_range=0.2,
    horizontal_flip=True)

# 计算特征归一化所需的数量
# （如果应用 ZCA 白化，将计算标准差，均值，主成分）
datagen.fit(x_train)

# 使用实时数据增益的批数据对模型进行拟合：
model.fit_generator(datagen.flow(x_train, y_train, batch_size=32),
                    steps_per_epoch=len(x_train) / 32, epochs=epochs)

# 这里有一个更 「手动」的例子
for e in range(epochs):
    print('Epoch', e)
    batches = 0
    for x_batch, y_batch in datagen.flow(x_train, y_train, batch_size=32):
        model.fit(x_batch, y_batch)
        batches += 1
        if batches >= len(x_train) / 32:
            # 我们需要手动打破循环，
            # 因为生成器会无限循环
            break

使用 .flow_from_directory(directory) 的例子：

train_datagen = ImageDataGenerator(
        rescale=1./255,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True)

test_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
        'data/train',
        target_size=(150, 150),
        batch_size=32,
        class_mode='binary')

validation_generator = test_datagen.flow_from_directory(
        'data/validation',
        target_size=(150, 150),
        batch_size=32,
        class_mode='binary')

model.fit_generator(
        train_generator,
        steps_per_epoch=2000,
        epochs=50,
        validation_data=validation_generator,
        validation_steps=800)

同时转换图像和蒙版 (mask) 的例子

# 创建两个相同参数的实例
data_gen_args = dict(featurewise_center=True,
                     featurewise_std_normalization=True,
                     rotation_range=90,
                     width_shift_range=0.1,
                     height_shift_range=0.1,
                     zoom_range=0.2)
image_datagen = ImageDataGenerator(**data_gen_args)
mask_datagen = ImageDataGenerator(**data_gen_args)

# 为 fit 和 flow 函数提供相同的种子和关键字参数
seed = 1
image_datagen.fit(images, augment=True, seed=seed)
mask_datagen.fit(masks, augment=True, seed=seed)

image_generator = image_datagen.flow_from_directory(
    'data/images',
    class_mode=None,
    seed=seed)

mask_generator = mask_datagen.flow_from_directory(
    'data/masks',
    class_mode=None,
    seed=seed)

# 将生成器组合成一个产生图像和蒙版（mask）的生成器
train_generator = zip(image_generator, mask_generator)

model.fit_generator(
    train_generator,
    steps_per_epoch=2000,
    epochs=50)

ImageDataGenerator 类方法

apply_transform

apply_transform(x, transform_parameters)

根据给定的参数将变换应用于图像。

参数

x: 3D 张量，单张图像。
transform_parameters: 字符串 - 参数对表示的字典，用于描述转换。目前，使用字典中的以下参数：
- ‘theta’: 浮点数。旋转角度（度）。
- tx’: 浮点数。在 x 方向上移动。
- ‘ty’: 浮点数。在 y 方向上移动。
- shear’: 浮点数。剪切角度（度）。
- ‘zx’: 浮点数。放大 x 方向。
- ‘zy’: 浮点数。放大 y 方向。
- ‘flip_horizontal’: 布尔值。水平翻转。
- ‘flip_vertical’: 布尔值。垂直翻转。
- ‘channel_shift_intencity’: 浮点数。频道转换强度。
- ‘brightness’: 浮点数。亮度转换强度。

输入的转换后版本（相同尺寸）。

fit

fit(x, augment=False, rounds=1, seed=None)

将数据生成器用于某些示例数据。

它基于一组样本数据，计算与数据转换相关的内部数据统计。

当且仅当 featurewise_center 或 featurewise_std_normalization 或 zca_whitening 设置为 True 时才需要。

参数

x: 样本数据。秩应该为 4。对于灰度数据，通道轴的值应该为 1；对于 RGB 数据，值应该为 3。
augment: 布尔值（默认为 False）。是否使用随机样本扩张。
rounds: 整数（默认为 1）。如果数据数据增强（augment=True），表明在数据上进行多少次增强。
seed: 整数（默认 None）。随机种子。

flow

flow(x, y=None, batch_size=32, shuffle=True, sample_weight=None, seed=None, save_to_dir=None, save_prefix='', save_format='png', subset=None)

采集数据和标签数组，生成批量增强数据。

参数

x: 输入数据。秩为 4 的 Numpy 矩阵或元组。如果是元组，第一个元素应该包含图像，第二个元素是另一个 Numpy 数组或一列
Numpy 数组，它们不经过任何修改就传递给输出。可用于将模型杂项数据与图像一起输入。对于灰度数据，图像数组的通道轴的值应该为 1，而对于
RGB 数据，其值应该为 3。
y: 标签。
batch_size: 整数 (默认为 32)。
shuffle: 布尔值 (默认为 True)。
sample_weight: 样本权重。
seed: 整数（默认为 None）。
save_to_dir: None 或字符串（默认为
None）。这使您可以选择指定要保存的正在生成的增强图片的目录（用于可视化您正在执行的操作）。
save_prefix: 字符串（默认 ‘’）。保存图片的文件名前缀（仅当 save_to_dir 设置时可用）。
save_format: “png”, “jpeg” 之一（仅当 save_to_dir 设置时可用）。默认：“png”。
subset: 数据子集 (“training” 或 “validation”)，如果在 ImageDataGenerator 中设置了
validation_split。

一个生成元组 (x, y) 的 Iterator，其中 x 是图像数据的 Numpy 数组（在单张图像输入时），或 Numpy 数组列表（在额外多个输入时），y 是对应的标签的 Numpy 数组。如果 ‘sample_weight’ 不是 None，生成的元组形式为 (x, y, sample_weight)。如果 y 是 None, 只有 Numpy 数组 x 被返回。

flow_from_dataframe

flow_from_dataframe(dataframe, directory, x_col='filename', y_col='class', has_ext=True, target_size=(256, 256), color_mode='rgb', classes=None, class_mode='categorical', batch_size=32, shuffle=True, seed=None, save_to_dir=None, save_prefix='', save_format='png', subset=None, interpolation='nearest')

输入 dataframe 和目录的路径，并生成批量的增强/标准化的数据。

这里有一个简单的教程： http://bit.ly/keras_flow_from_dataframe

参数

dataframe: Pandas dataframe，一列为图像的文件名，另一列为图像的类别，或者是可以作为原始目标数据多个列。
directory: 字符串，目标目录的路径，其中包含在 dataframe 中映射的所有图像。
x_col: 字符串，dataframe 中包含目标图像文件夹的目录的列。
y_col: 字符串或字符串列表，dataframe 中将作为目标数据的列。
has_ext: 布尔值，如果 dataframe[x_col] 中的文件名具有扩展名则为 True，否则为 False。
target_size: 整数元组 (height, width)，默认为 (256, 256)。所有找到的图都会调整到这个维度。
color_mode: “grayscale”, “rbg” 之一。默认：“rgb”。图像是否转换为 1 个或 3 个颜色通道。
classes: 可选的类别列表 (例如， [‘dogs’, ‘cats’])。默认：None。如未提供，类比列表将自动从 y_col 中推理出来，y_col 将会被映射为类别索引）。包含从类名到类索引的映射的字典可以通过属性 class_indices 获得。
class_mode: “categorical”, “binary”, “sparse”, “input”, “other” or None 之一。默认：“categorical”。决定返回标签数组的类型：
- “categorical” 将是 2D one-hot 编码标签，
- “binary” 将是 1D 二进制标签，
- “sparse” 将是 1D 整数标签，
- “input” 将是与输入图像相同的图像（主要用于与自动编码器一起使用），
- “other” 将是 y_col 数据的 numpy 数组，
- None, 不返回任何标签（生成器只会产生批量的图像数据，这对使用 model.predict_generator(), model.evaluate_generator() 等很有用）。
batch_size: 批量数据的尺寸（默认：32）。
shuffle: 是否混洗数据（默认：True）
seed: 可选的混洗和转换的随即种子。
save_to_dir: None 或 str (默认: None). 这允许你可选地指定要保存正在生成的增强图片的目录（用于可视化您正在执行的操作）。
save_prefix: 字符串。保存图片的文件名前缀（仅当 save_to_dir 设置时可用）。
save_format: “png”, “jpeg” 之一（仅当 save_to_dir 设置时可用）。默认：“png”。
follow_links: 是否跟随类子目录中的符号链接（默认：False）。
subset: 数据子集 (“training” 或 “validation”)，如果在 ImageDataGenerator 中设置了 validation_split。
interpolation: 在目标大小与加载图像的大小不同时，用于重新采样图像的插值方法。支持的方法有 “nearest”, “bilinear”, and “bicubic”。如果安装了 1.1.3 以上版本的 PIL 的话，同样支持 “lanczos”。如果安装了 3.4.0 以上版本的 PIL 的话，同样支持 “box” 和 “hamming”。默认情况下，使用 “nearest”。

Returns

一个生成 (x, y) 元组的 DataFrameIterator，其中 x 是一个包含一批尺寸为 (batch_size, *target_size, channels) 的图像样本的 numpy 数组，y 是对应的标签的 numpy 数组。

flow_from_directory

flow_from_directory(directory, target_size=(256, 256), color_mode='rgb', classes=None, class_mode='categorical', batch_size=32, shuffle=True, seed=None, save_to_dir=None, save_prefix='', save_format='png', follow_links=False, subset=None, interpolation='nearest')

参数

directory: 目标目录的路径。每个类应该包含一个子目录。任何在子目录树下的 PNG, JPG, BMP, PPM 或 TIF 图像，都将被包含在生成器中。
target_size: 整数元组 (height, width)，默认：(256, 256)。所有的图像将被调整到的尺寸。
color_mode: “grayscale”, “rbg” 之一。默认：“rgb”。图像是否被转换成 1 或 3 个颜色通道。
classes: 可选的类的子目录列表（例如 [‘dogs’, ‘cats’]）。默认：None。如果未提供，类的列表将自动从 directory 下的子目录名称/结构中推断出来，其中每个子目录都将被作为不同的类（类名将按字典序映射到标签的索引）。包含从类名到类索引的映射的字典可以通过 class_indices 属性获得。
class_mode: “categorical”, “binary”, “sparse”, “input” 或 None 之一。默认：“categorical”。决定返回的标签数组的类型：
- “categorical” 将是 2D one-hot 编码标签
- “binary” 将是 1D 二进制标签，“sparse” 将是 1D 整数标签.
- “input” 将是与输入图像相同的图像（主要用于自动编码器）。
- 如果为 None，不返回标签（生成器将只产生批量的图像数据，对于 model.predict_generator(), model.evaluate_generator() 等很有用）。请注意，如果 class_mode 为 None，那么数据仍然需要驻留在 directory 的子目录中才能正常工作。
batch_size: 一批数据的大小（默认 32）。
shuffle: 是否混洗数据（默认 True）。
seed: 可选随机种子，用于混洗和转换。
save_to_dir: None 或字符串（默认 None）。这使你可以最佳地指定正在生成的增强图片要保存的目录（用于可视化你在做什么）。
save_prefix: 字符串。保存图片的文件名前缀（仅当 save_to_dir 设置时可用）。
save_format: “png”, “jpeg” 之一（仅当 save_to_dir 设置时可用）。默认：“png”。
follow_links: 是否跟踪类子目录中的符号链接（默认为 False）。
subset: 数据子集 (“training” 或 “validation”)，如果在 ImageDataGenerator 中设置了 validation_split。
interpolation: 在目标大小与加载图像的大小不同时，用于重新采样图像的插值方法。支持的方法有 “nearest”, “bilinear”, and “bicubic”。如果安装了 1.1.3 以上版本的 PIL 的话，同样支持 “lanczos”。如果安装了 3.4.0 以上版本的 PIL 的话，同样支持 “box” 和 “hamming”。默认情况下，使用 “nearest”。

一个生成 (x, y) 元组的 DirectoryIterator，其中 x 是一个包含一批尺寸为 (batch_size, *target_size, channels)的图像的 Numpy 数组，y 是对应标签的 Numpy 数组。

get_random_transform

get_random_transform(img_shape, seed=None)

为转换生成随机参数。

参数

seed: 随机种子
img_shape: 整数元组。被转换的图像的尺寸。

包含随机选择的描述变换的参数的字典。

random_transform

random_transform(x, seed=None)

将随机变换应用于图像。

参数

x: 3D 张量，单张图像。
seed: 随机种子。

输入的随机转换版本（相同形状）。

standardize

standardize(x)

将标准化配置应用于一批输入。

参数

x: 需要标准化的一批输入。

标准化后的输入。

初识-CV

关注

1
点赞
踩
17

收藏

觉得还不错? 一键收藏
2
评论
keras学习篇：图像预处理ImageDataGenerator 类

ImageDataGenerator 类通过实时数据增强生成张量图像数据批次。数据将不断循环（按批次）。keras.preprocessing.image.ImageDataGenerator(featurewise_center=False, samplewise_center=False, ...
复制链接

扫一扫