python下运用keras中内置的ImageDataGenerator实现图像的简单增广

图片生成器ImageDataGenerator
作用：生成一个batch的图像数据，支持实时数据提升。训练时该函数会无限生成数据，直到达到规定的epoch次数为止。

• Code

import os
from keras.preprocessing.image import ImageDataGenerator, array_to_img, img_to_array, load_img

datagen = ImageDataGenerator(
        rotation_range=44,
        rescale=1./255,
        width_shift_range=0.4,
        height_shift_range=0.8,
        shear_range=0.7,
        zoom_range=0.3,
        horizontal_flip=True,
        vertical_flip = True,
        fill_mode='nearest')
for file_name in os.listdir('home/train_sample/'):
	img = load_img('home/train_sample/'+file_name)
	x = img_to_array(img)
	x = x.reshape((1,) + x.shape) 
		
	i = 1
	j = 1
	for batch in datagen.flow(x,
		batch_size = 32,
		save_to_dir = 'home/return/', 
		save_prefix = 'car', 
		save_format = 'png'):
		i += 1
		if i > 11:
			break
			j += 1
			if j > 28:
				break

• Sample
  

• Result

• 参数
  ImageDataGenerator
  featurewise_center：布尔值，使输入数据集去中心化（均值为0）, 按feature执行
  samplewise_center：布尔值，使输入数据的每个样本均值为0
  featurewise_std_normalization：布尔值，将输入除以数据集的标准差以完成标准化, 按feature执行
  samplewise_std_normalization：布尔值，将输入的每个样本除以其自身的标准差
  zca_whitening：布尔值，对输入数据施加ZCA白化
  zca_epsilon: ZCA使用的eposilon，默认1e-6
  rotation_range：整数，数据提升时图片随机转动的角度
  width_shift_range：浮点数，图片宽度的某个比例，数据提升时图片水平偏移的幅度
  height_shift_range：浮点数，图片高度的某个比例，数据提升时图片竖直偏移的幅度
  shear_range：浮点数，剪切强度（逆时针方向的剪切变换角度）
  zoom_range：浮点数或形如[lower,upper]的列表，随机缩放的幅度，若为浮点数，则相当于[lower,upper] = [1 - zoom_range, 1+zoom_range]
  channel_shift_range：浮点数，随机通道偏移的幅度
  fill_mode：‘constant’，‘nearest’，‘reflect’或‘wrap’之一，当进行变换时超出边界的点将根据本参数给定的方法进行处理
  cval：浮点数或整数，当fill_mode=constant时，指定要向超出边界的点填充的值
  horizontal_flip：布尔值，进行随机水平翻转
  vertical_flip：布尔值，进行随机竖直翻转
  rescale: 重放缩因子,默认为None. 如果为None或0则不进行放缩,否则会将该数值乘到数据上(在应用其他变换之前)
  preprocessing_function: 将被应用于每个输入的函数。该函数将在图片缩放和数据提升之后运行。该函数接受一个参数，为一张图片（秩为3的numpy array），并且输出一个具有相同shape的numpy array
  data_format：字符串，“channel_first”或“channel_last”之一，代表图像的通道维的位置。该参数是Keras 1.x中的image_dim_ordering，“channel_last”对应原本的“tf”，“channel_first”对应原本的“th”。以128x128的RGB图像为例，“channel_first”应将数据组织为（3,128,128），而“channel_last”应将数据组织为（128,128,3）。该参数的默认值是~/.keras/keras.json中设置的值，若从未设置过，则为“channel_last”

flow(self, X, y, batch_size=32, shuffle=True, seed=None, save_to_dir=None, save_prefix=’’, save_format=‘png’)
作用：接收numpy数组和标签为参数,生成经过数据提升或标准化后的batch数据,并在一个无限循环中不断的返回batch数据

（x：样本数据，秩应为4.在黑白图像的情况下channel轴的值为1，在彩色图像情况下值为3
y：标签
batch_size：整数，默认32
shuffle：布尔值，是否随机打乱数据，默认为True
save_to_dir：将提升后的图片保存起来，用以可视化
save_prefix：字符串，保存提升后图片时使用的前缀
save_format：“png"或"jpeg"之一，指定保存图片的数据格式,默认"jpeg”
yields:形如(x,y)的tuple,x是代表图像数据的numpy数组.y是代表标签的numpy数组.该迭代器无限循环.
seed: 整数,随机数种子）

flow_from_directory(directory)
作用：以文件夹路径为参数,生成经过数据提升/归一化后的数据,在一个无限循环中无限产生batch数据

（directory: 目标文件夹路径,对于每一个类,该文件夹都要包含一个子文件夹.子文件夹中任何JPG、PNG、BNP、PPM的图片都会被生成器使用.
target_size: 整数tuple,默认为(256, 256). 图像将被resize成该尺寸
color_mode: 颜色模式,为"grayscale",“rgb"之一,默认为"rgb”
classes: 可选参数,为子文件夹的列表,默认为None. 若未提供,则该类别列表将从directory下的子文件夹名称/结构自动推断。每一个子文件夹都会被认为是一个新的类。(类别的顺序将按照字母表顺序映射到标签值)。通过属性class_indices可获得文件夹名与类的序号的对应字典。
class_mode: “categorical”, “binary”, "sparse"或None之一. 默认为"categorical. 决定了返回的标签数组的形式, "categorical"会返回2D的one-hot编码标签,"binary"返回1D的二值标签."sparse"返回1D的整数标签,如果为None则不返回任何标签, 生成器将仅仅生成batch数据, 这种情况在使用model.predict_generator()和model.evaluate_generator()等函数时会用到.
batch_size: batch数据的大小,默认32
shuffle: 是否打乱数据,默认为True
seed: 可选参数,打乱数据和进行变换时的随机数种子
save_to_dir: None或字符串，该参数能让你将提升后的图片保存起来，用以可视化
save_prefix：字符串，保存提升后图片时使用的前缀
save_format：“png"或"jpeg"之一，默认"jpeg”
flollow_links: 是否访问子文件夹中的软链接flow_from_directory(directory): 以文件夹路径为参数,生成经过数据提升/归一化后的数据,在一个无限循环中无限产生batch数据）
引自：图片预处理-keras中文文档

• 总结
  ①用keras模块需先install tensorflow作为后端(backend),而在此之前需install与tensorflow相适应版本的numpy
  ②flow()参数里没有target_size=(x,y)这个参数，故不能将图片进行resize。
  (图片过大影响传输速率)