python读取多张图片_python批量读入图片、处理并批量输出（可用于深度学习训练集的制作）...

最近工作实在是太忙了，白浪花的项目没有及时跟进，很多知识也没有自学。好了，趁着现在等领导回复微信的时间，我把上周趁着零散时间做的工作总结一下。内容依然小白，但是却很重要。

项目情况简单描述一下，最终要用深度学习自学做一个白浪花的图像分割。项目背景是船在海上跑的时候会激起来很多白沫还有白浪花，我的兴趣在于运用深度学习的方法提取这些白浪花。好了具体情况先不多说，等我具体搞出来我会专门写一篇来总结这个事儿。

训练集情况

前段时间我用PS软件处理了接近4000张不同时间的图片，图片标号其实是用程序随机抽取的，包含不同的时段（目的是把不同光照条件的白浪花图片包括进来，因为不同光照条件下会产生大量不规则耀斑，会干扰白浪花的分割，这个情况必须让机器学会）的白浪花情况。

所以现在的情况是训练集拥有4000张1280*720的RGB白浪花输入图像和4000张对应的1280*720的BW二值标签。他们就是我训练集的全部数据。我要使用的网络是U-Net网络，输入大小是572*572（原论文中的输入就是572*572，作为一个小白，我先不创新了哈），由于传统的U-Net网络卷积是valid卷积，即不padding，所以每次卷积之后图片大小会缩小，最终输出大小为388*388。

分割图的策略

这里其实有两个策略，一个是按照原文的overlap策略，主要是我认为边缘的分割效果是不好的，因为毕竟边缘部分总会不稳定，所以我每次的分割结果都只采用中间的部分，所以最后输出是388*388的部分我认为是分割好的。那么对于一张大图来讲，比如1280*720，我要把它完全用网络分割完得到1280*720的分割图，我就必须先把这张大图分成388*388（这里仅仅举例，真正还要先预算尺寸）的部分，然后再取其周围的572*572的部分输入网络得到这一部分的输出。那么下一个部分以此类推，边缘采用镜像的办法（因为镜像了，所以总还是中间是稳定的）。说白了就相当于移动着来输出，重叠部分就不管了，我每次只认为大图的中间部分的分割是可信的，最终满足一张大图的分割，同时这种分割是十分有效的。第二个是我在卷积的时候给他padding，让他最终的输出不改变图片的大小，但是我在取的时候还是取中间的一小部分，这一小部分其实还是取388*388或者这块中间区域的附近区域，但是我目前自学到的知识来看，一般还都是padding使输出大小不改变，我觉得可能是方便把。。。（也可能不是。。。）

好了说多了，这里简单说了下我训练集图片的情况。我还是采用论文原文中的策略，输入572*572，输出388*388。我现在有1280*720的4000张RGB输入和对应标签，他们的编号是随机的，但是每100张是连着的，也就是说他们有40组，每组是100张连续的图片，分散在40个文件夹里。这就非常奇葩，因为我的大库是分开的，他们都是从大库中随机抽取的，分成8个文件夹，大库一共8个文件夹，其实是代表8个时间段船航行的时候采集的，不要问我为啥，我也不知道他为啥这么分！所以我其实是每个大库文件夹中随机采500张然后每100张为一个连续单位放到文件夹里。（好了，如果你问我为啥不直