【TensorFlow-windows】keras接口——ImageDataGenerator裁剪

前言

Keras中有一个图像数据处理器ImageDataGenerator，能够很方便地进行数据增强，并且从文件中批量加载图片，避免数据集过大时，一下子加载进内存会崩掉。但是从官方文档发现，并没有一个比较重要的图像增强方式：随机裁剪，本博客就是记录一下如何在对ImageDataGenerator中生成的batch做图像裁剪

国际惯例，参考博客：

官方ImageDataGenerator文档

Keras 在fit_generator训练方式中加入图像random_crop

Extending Keras’ ImageDataGenerator to Support Random Cropping

how to use fit_generator with multiple image inputs

第二个博客比较全，第三个博客只介绍了分类数据的增强，如果是图像分割或者超分辨率，输出仍是一张图像，所以涉及到对image和mask进行同步增强

代码

先介绍一下数据集目录结构：

在test文件夹下，分别有GT和NGT两个文件夹，每个文件夹存储的都是bmp图像文件

其次需要注意，从ImageDataGenerator中取数据用的是next(generator)函数

• 载入相关包

  from keras_preprocessing.image import ImageDataGenerator
  import matplotlib.pyplot as plt
  import numpy as np
  

• 先使用自带的ImageDataGenerator配合flow_from_director读取数据
  创建生成器

  train_img_datagen=ImageDataGenerator()#各种预处理
  train_mask_datagen=ImageDataGenerator()#各种预处理
  

  读取文件

  seed=2 #图像会随机打乱即shuffle，但是输入和输出的打乱顺序必须一样
  batch_size=2
  target_size=(1080,1920)
  train_img_gen=train_img_datagen.flow_from_directory('./test',classes=['NGT'],
                                                      class_mode=None,
                                                      batch_size=batch_size,
                                                      target_size=target_size,
                                                      shuffle=True,
                                                      seed=seed,
                                                      interpolation='bicubic')
  train_mask_gen=train_img_datagen.flow_from_directory('./test',
                                                       classes=['GT'],
                                                       class_mode=None,
                                                       batch_size=batch_size,
                                                       target_size=target_size,
                                                       shuffle=True,
                                                       seed=seed,
                                                       interpolation='bicubic')
  

  封装打包

  train_generator=zip(train_img_gen,train_mask_gen)
  

• 定义裁剪器，裁剪图像和对应的mask:

  def crop_generator(batch_gen,crop_size=(270,480)):
      while True:
          batch_x,batch_y=next(batch_gen)
          crops_img=np.zeros((batch_x.shape[0],crop_size[0],crop_size[1],3))
          crops_mask=np.zeros((batch_y.shape[0],crop_size[0],crop_size[1],3))
          height,width=batch_x.shape[1],batch_x.shape[2]
          for i in range(batch_x.shape[0]):
              #裁剪图像
              x=np.random.randint(0,height-crop_size[0]+1)
              y=np.random.randint(0,width-crop_size[1]+1)
              crops_img[i]=batch_x[i,x:x+crop_size[0],y:y+crop_size[1]]
              crops_mask[i]=batch_y[i,x:x+crop_size[0],y:y+crop_size[1]]
          yield (crops_img,crops_mask)
  

• 使用裁剪器对Generator进行裁剪

  train_crops=crop_generator(train_generator)
  

可视化：

img,mask=next(train_crops)
print(img.shape)
plt.subplot(2,1,1)
plt.imshow(img[0]/255)
plt.subplot(2,1,2)
plt.imshow(mask[0]/255)

后记

记住要用while(True)死循环，并且yield在while循环内部，和for循环外部，代表每个批次

代码：
链接：https://pan.baidu.com/s/1UNZLke5kygBFHJ8iR8wV2A
提取码：e51e