Keras实现Unet语义分割医学细胞图像并训练自己的数据集

---

---

# 前言 本文实现keras下的Unet语义分割模型并且用自己制作的数据集进行训练并预测。

本文引用了一些博文里面的内容，侵权请联系删改
引用的一些文章链接地址：
1.Unet网络讲解https://blog.csdn.net/weixin_44791964/article/details/108864955
2.U-net源码讲解（Keras）https://blog.csdn.net/mieleizhi0522/article/details/82217677
也有一些相关的博文可以参考
1.https://zhuanlan.zhihu.com/p/57859749
2.unet代码试运行
https://blog.csdn.net/py_yangh/article/details/82726786
3.https://www.bilibili.com/video/BV1v7411Z7b9?from=search&seid=14522545615848347758&spm_id_from=333.337.0.0
4.https://blog.csdn.net/weixin_41036461/article/details/109129810utm_term=unet%E7%9A%84%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0&utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2_allsobaiduweb~default-5-109129810&spm=3001.4430

##Github代码下载地址:
FENGShuanglang/unet https://github.com/FENGShuanglang/unet
##环境
python3.6.8
tensorflow-gpu1.13.1
keras2.1.5
没有硬性要求，tensorflow2.x以下的应该都可以运行

---

一、Unet网络模型

Unet可以分为三个部分，如下图所示：

第一部分是主干特征提取部分，Unet的主干特征提取部分与VGG相似，由卷积+最大池化组成，为卷积和最大池化的堆叠。卷积层用来初步提取有效特征，再通过最大池化进行下采样获得一个有效特征层。利用主干特征提取部分我们可以获得五个初步有效特征层，在第二步中，我们会利用这五个有效特征层可以进行特征融合。

第二部分是加强特征提取部分，我们可以利用主干部分获取到的五个初步有效特征层进行上采样，然后再和主干部分中获得的有效特征层进行特征融合，获得一个最终的，融合了所有特征的有效特征层。
上采样是指将特征图的分辨率还原到原始图片的分辨率大小，此处用反卷积，即通过转置卷积核的方法来实现卷积的逆过程。
第三部分是预测部分，利用最终获得的最后一个有效特征层对每一个特征点进行分类，相当于对每一个像素点进行分类。

unet就是一个全卷积神经网络，输入和输出都是图像，没有全连接层。较浅的高分辨率层用来解决像素定位的问题，较深的层用来解决像素分类的问题。

Over-tile策略
深入浅出了解Unet
Unet使用一种称为overlap-tile的的策略，使得任意大小输入的图片都可以获得一个无缝分割
该策略的思想是：对图像的某一块像素点（黄框内部分）进行预测时，需要该图像块周围的像素点（蓝色框内）提供上下文信息（context），以获得更准确的预测
这样的策略会带来一个问题，图像边界的图像块没有周围像素，因此作者对周围像素采用了镜像扩充。原始图片周围扩充的像素点均由原图对称得到。这样，边界图像块也能得到准确的预测
作者在卷积时只使用有效部分，使得最终传到下一层的只有中间原先图像块（黄色框内）的部分（可理解为不加padding），来解决第一块图像周围的部分会和第二块图像重叠的问题

二、代码运行

源码文件夹目录：

unet-master\data\membrane\train\image 中存放的是原数据集
unet-master\data\membrane\train\label 中存放的是数据集对应的标签
unet-master\data\membrane\text 中存放的是预测用的图片，x_predict.png 是之前预测出来的结果，重新预测需要删掉
修改各个文件夹路径，运行main,py进行训练
main.py：

# main_train.py
from model import *
from mydata1 import *


# #os.environ["CUDA_VISIBLE_DEVICES"] = "0"
# data_gen_args = dict() : 为keras自带的图像增强方法
data_gen_args = dict(rotation_range=0.2,  # 整数。随机旋转的度数范围。
                     width_shift_range=0.05,  # 浮点数、一维数组或整数
                     height_shift_range=0.05,  # 浮点数。剪切强度（以弧度逆时针方向剪切角度）。
                     shear_range=0.05,
                     zoom_range=0.05,  # 浮点数 或 [lower, upper]。随机缩放范围
                     horizontal_flip=True,
                     fill_mode='nearest')  # {