这篇文章主要介绍如何实现Keras在fit_generator训练方式中加入图像random_crop操作，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！
使用Keras作前端写网络时，由于训练图像尺寸较大，需要做类似 tf.random_crop 图像裁剪操作。
为此研究了一番Keras下已封装的API。
Data Augmentation（数据扩充）
Data Aumentation 指使用下面或其他方法增加输入数据量。我们默认图像数据。
旋转&反射变换(Rotation/reflection): 随机旋转图像一定角度; 改变图像内容的朝向;
翻转变换(flip): 沿着水平或者垂直方向翻转图像;
缩放变换(zoom): 按照一定的比例放大或者缩小图像;
平移变换(shift): 在图像平面上对图像以一定方式进行平移;
可以采用随机或人为定义的方式指定平移范围和平移步长, 沿水平或竖直方向进行平移. 改变图像内容的位置;
尺度变换(scale): 对图像按照指定的尺度因子, 进行放大或缩小; 或者参照SIFT特征提取思想, 利用指定的尺度因子对图像滤波构造尺度空间. 改变图像内容的大小或模糊程度;
对比度变换(contrast): 在图像的HSV颜色空间，改变饱和度S和V亮度分量，保持色调H不变. 对每个像素的S和V分量进行指数运算(指数因子在0.25到4之间), 增加光照变化;
噪声扰动(noise): 对图像的每个像素RGB进行随机扰动, 常用的噪声模式是椒盐噪声和高斯噪声;
Data Aumentation 有很多好处，比如数据量较少时，用数据扩充来增加训练数据，防止过拟合。
ImageDataGenerator
在Keras中，ImageDataGenerator就是专门做数据扩充的。
from keras.preprocessing.image import ImageDataGenerator
注：Using TensorFlow backend.
官方写法如下：
(x_train, y_train), (x_test, y_test) = cifar10.load_data() datagen = ImageDataGenerator( featurewise_center=True, ... horizontal_flip=True) # compute quantities required for featurewise normalization datagen.fit(x_train) # 使用fit_generator的【自动】训练方法: fits the model on batches with real-time data augmentation model.fit_generator(datagen.flow(x_train, y_train, batch_size=32), steps_per_epoch=len(x_train), epochs=epochs) # 自己写range循环的【手动】训练方法 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): loss = model.train(x_batch, y_batch) batches += 1 if batches >= len(x_train) / 32: # we need to break the loop by hand because # the generator loops indefinitely break
ImageDataGenerator的参数说明见官网文档。
上面两种训练方法的差异不讨论，我们要关注的是：官方封装的训练集batch生成器是ImageDataGenerator对象的flow方法(或flow_from_directory)，该函数返回一个和python定义相似的generator。在它前一步，数据变换是ImageDataGenerator对象的fit方法。
random_crop并未在ImageDataGenerator中内置，但参数中给了一个preprocessing_function，我们可以利用它自定义my_random_crop函数，像下面这样写：
def my_random_crop(image): random_arr = numpy.random.randint(img_sz-crop_sz+1, size=2) y = int(random_arr[0]) x = int(random_arr[1]) h = img_crop w = img_crop image_crop = image[y:y+h, x:x+w, :] return image_crop datagen = ImageDataGenerator( featurewise_center=False, ··· preprocessing_function=my_random_crop) datagen.fit(x_train)
fit方法调用时将预设的变换应用到x_train的每张图上，包括图像crop，因为是单张依次处理，每张图的crop位置随机。
在训练数据(x=image, y=class_label)时这样写已满足要求;
但在(x=image, y=image_mask)时该方法就不成立了。图像单张处理的缘故，一对(image, image_mask)分别crop的位置无法保持一致。
虽然官网也给出了同时变换image和mask的写法，但它提出的方案能保证二者内置函数的变换一致，自定义函数的random变量仍是随机的。
fit_generator
既然ImageDataGenerator和flow方法不能满足我们的random_crop预处理要求，就在fit_generator函数处想方法修改。
先看它的定义：
def fit_generator(self, generator, samples_per_epoch, nb_epoch, verbose=1, callbacks=[], validation_data=None, nb_val_samples=None, class_weight=None, max_q_size=10, **kwargs):
第一个参数generator，可以传入一个方法，也可以直接传入数据集。前面的 datagen.flow() 即是Keras封装的批量数据传入方法。
显然，我们可以自定义。
def generate_batch_data_random(x, y, batch_size): """分批取batch数据加载到显存""" total_num = len(x) batches = total_num // batch_size while (True): i = randint(0, batches) x_batch = x[i*batch_size:(i+1)*batch_size] y_batch = y[i*batch_size:(i+1)*batch_size] random_arr = numpy.random.randint(img_sz-crop_sz+1, size=2) y_pos = int(random_arr[0]) x_pos = int(random_arr[1]) x_crop = x_batch[:, y_pos:y_pos+crop_sz, x_pos:x_pos+crop_sz, :] y_crop = y_batch[:, y_pos:y_pos+crop_sz, x_pos:x_pos+crop_sz, :] yield (x_crop, y_crop)
这样写就符合我们同组image和mask位置一致的random_crop要求。
注意：
由于没有使用ImageDataGenerator内置的数据变换方法，数据扩充则也需要自定义；由于没有使用flow(…, shuffle=True,)方法，每个epoch的数据打乱需要自定义。
generator自定义时要写成死循环，因为在每个epoch内，generate_batch_data_random是不会重复调用的。
补充知识：tensorflow中的随机裁剪函数random_crop
tf.random_crop是tensorflow中的随机裁剪函数，可以用来裁剪图片。我采用如下图片进行随机裁剪，裁剪大小为原图的一半。
如下是实验代码
import tensorflow as tf
import matplotlib.image as img
import matplotlib.pyplot as plt
sess = tf.InteractiveSession()
image = img.imread('D:/Documents/Pictures/logo3.jpg')
reshaped_image = tf.cast(image,tf.float32)
size = tf.cast(tf.shape(reshaped_image).eval(),tf.int32)
height = sess.run(size[0]//2)
width = sess.run(size[1]//2)
distorted_image = tf.random_crop(reshaped_image,[height,width,3])
print(tf.shape(reshaped_image).eval())
print(tf.shape(distorted_image).eval())
fig = plt.figure()
fig1 = plt.figure()
ax = fig.add_subplot(111)
ax1 = fig1.add_subplot(111)
ax.imshow(sess.run(tf.cast(reshaped_image,tf.uint8)))
ax1.imshow(sess.run(tf.cast(distorted_image,tf.uint8)))
plt.show()如下是随机实验两次的结果
以上是如何实现Keras在fit_generator训练方式中加入图像random_crop操作的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注亿速云行业资讯频道！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
