Créez un lot d'images et gonflez avec ImageDataGenerator

introduction

Pour la segmentation d'image à l'aide du Deep Learning --Création d'un petit lot d'images à partir d'une grande image

données d'image

[ISBI challenge 2012(Segmentation of neuronal structures in EM stacks)] Les données d'image des cellules répertoriées dans (http://brainiac2.mit.edu/isbi_challenge/home) sont utilisées. Vous pouvez télécharger des données d'image en vous inscrivant sur la page d'accueil. Contient l'image de la cellule d'origine et les données pré-peintes. Sur la base de ces données, nous préparerons les données d'apprentissage afin de peindre automatiquement dans l'apprentissage supervisé. Unknown.png

Créer un lot d'images

Les données d'image d'origine sont de taille (512, 512) (ci-dessus). Divisez cette image en tailles (256, 256). Tout d'abord, lisez les données.

from skimage import io
import tensorflow as tf
import glob

dir_name = "./data/train"
paths_train_img = glob.glob(dir_name + "/train_image*")
paths_train_label = glob.glob(dir_name + "/train_label*")

train_images = []
train_labels = []  
for path in paths_train_img[:-5]:
    train_images.append(io.imread(path)/255.0)
    path = path.replace('image', 'labels')
    train_labels.append(io.imread(path)/255.0)

train_images = train_images[..., tf.newaxis]
train_labels = train_labels[..., tf.newaxis]
# print(train_images.shape)  
#   (25, 512, 512, 1)

train_images contient l'image de cellule d'origine et train_labels contient les données pré-peintes. Les images correspondent à train_images [i] et train_labels [i]. J'ai ajouté un axe en utilisant tf.newaxis pour une utilisation ultérieure dans tensorflow.

Maintenant, coupez l'image et créez un lot. Utilisez tf.image.extract_patches pour cela. Concernant tf.image.extract_patches, la Page officielle était difficile à comprendre personnellement, mais article sur le débordement de la pile //stackoverflow.com/questions/40731433/understanding-tf-extract-image-patches-for-extracting-patches-from-an-image) était facile à comprendre.

ksize_rows = 256
ksize_cols = 256
strides_rows = 256
strides_cols = 256

ksizes = [1, ksize_rows, ksize_cols, 1] 
strides = [1, strides_rows, strides_cols, 1]
rates = [1, 1, 1, 1]
padding='VALID'

def make_patches(images):
    image_patches = tf.image.extract_patches(images, ksizes, strides, rates, padding)
    #correctifs d'image(25, 2, 2, 65536)Forme.
    # 65536=256*À 256(256, 256)L'image de taille est stockée dans une dimension.
    patches = []
    for patch in image_patches:
        for i in range(patch.shape[0]):
            for j in range(patch.shape[1]):
                patch2 = patch[i,j,:]
                patch2 = np.reshape(patch2, [ksize_rows, ksize_cols,1])
                # (i,j)Lot d'images de la position de(256, 256)Remodeler à la forme de
                patches.append(patch2)

    patches = np.array(patches)
    return patches

train_image_patches = make_patches(train_images)
train_label_patches = make_patches(train_labels)

En utilisant make_patches ci-dessus, l'image peut être coupée en images par lots de taille (256, 256). Puisque l'image originale était de 25 images de taille (512, 512), train_image_patches et train_label_images contiennent respectivement 100 données d'image de taille (256, 256).

Remplissage d'image avec ImageDataGenrator

Nous effectuerons une augmentation des données à l'aide de Image Data Generator. ImageDataGenerator gonfle l'image à l'aide de transformations telles que la rotation, le zoom et le retournement de l'image. Passez la valeur maximale telle que la rotation et le zoom comme argument. Vous pouvez également attribuer une fonction de prétraitement d'image pour prétraiter l'image avant diverses conversions. Dans l'exemple ci-dessous, le bruit gaussien est ajouté en tant que prétraitement.

from tensorflow.keras.preprocessing.image import ImageDataGenerator
import skimage

def add_noise(img):
    output_img = skimage.util.random_noise(img, var=0.01, clip=False)
    return np.array(output_img)

SEED1 = 1
batch_size = 2

args={
    "rotation_range":0.2,
    "width_shift_range":0.2,
    "height_shift_range":0.2,
    "zoom_range":0.2,
    "shear_range":0.2,
    "vertical_flip":True,
    "horizontal_flip":True,
    "fill_mode":"reflect",
    "preprocessing_function":add_noise
}

image_data_generator = ImageDataGenerator(**args
).flow(train_image_patches, batch_size=batch_size, seed=SEED1)

args.pop("preprocessing_function")
label_data_generator = ImageDataGenerator(**args
).flow(train_label_patches, batch_size=batch_size, seed=SEED1)

Puisque je ne veux pas ajouter de bruit aux données de réponse correctes pré-peintes, j'ai supprimé preproccesing_function d'arguments pour créer label_data_generator. En créant image_data_generator et label_data_genrator en utilisant la même graine, l'image d'origine et l'image pré-peinte correspondent correctement.

Enfin, rassemblez-les dans un seul générateur.

def my_image_mask_generator(image_data_generator, mask_data_generator):
    train_generator = zip(image_data_generator, mask_data_generator)
    for (img, mask) in train_generator:
        yield (img, mask)

my_generator = my_image_mask_generator(image_data_generator, label_data_generator)

Jetons un coup d'œil aux données d'image réellement créées.

plt.figure(dpi=100)
for i in range(3):
    img, mask = next(my_generator)
    plt.subplot(2, 3, i + 1)
    plt.imshow(img[0, :,:,0], cmap="gray")

    plt.subplot(2, 3, i + 4)
    plt.imshow(mask[0, :, :, 0], cmap="gray")
    plt.axis('off')
plt.show()

Unknown.png

Vous pouvez voir qu'un lot d'images a été créé dans lequel l'image de cellule d'origine et l'image pré-peinte sont correctement associées. De plus, l'image ressemble à une partie de celle-ci est réfléchie vers le bord. Cela est dû au fait que ImageDataGenerator est défini sur "fill_mode": "refléter", de sorte que les blancs qui se produisent lorsque l'image est déplacée en parallèle sont complétés en mode de réflexion.

Résumé

Vous avez maintenant regroupé les images et complété vos données pour la segmentation des images. La prochaine fois, nous effectuerons un apprentissage en profondeur en utilisant ces données d'image.

Recommended Posts

Créez un lot d'images et gonflez avec ImageDataGenerator
Conversion en ondelettes d'images avec PyWavelets et OpenCV
Créer une table avec le notebook IPython
Créer un ensemble de données d'images à utiliser pour la formation
Afficher des images intégrées de mp3 et flac avec mutagène
Créez une application graphique native avec Py2app et Tkinter
Créer une visionneuse de modèle 3D avec PyQt5 et PyQtGraph
[Linux] Créez un auto-certificat avec Docker et apache
Créer un répertoire avec python
À la suite du montage et du réglage avec POH! Lite
Créez des applications, enregistrez des données et partagez-les avec un seul e-mail
Créons un diagramme PRML avec Python, Numpy et matplotlib.
Détecter les objets d'une couleur et d'une taille spécifiques avec Python
Python: créer un dictionnaire à partir d'une liste de clés et de valeurs
Créez un script de déploiement avec fabric et cuisine et réutilisez-le
Créez une API Web capable de fournir des images avec Django
Obtenez le prix d'achat et de vente de la monnaie virtuelle avec l'API de l'échange Zaif et créez un graphique
Créez un programme qui peut générer votre image préférée avec Selenium
Présentation de la création d'un socket serveur et de la création d'un socket client
Créez un fichier temporaire avec django sous forme de zip et renvoyez-le
Créez un environnement virtuel avec Python!
J'ai essayé de créer une liste de nombres premiers avec python
Créez un lot planifié simple à l'aide de l'image Python de Docker et de parse-crontab
Téléchargement par lots d'images à partir d'une URL spécifique avec la version modifiée de python
Faisons une image LGTM avec GIMP! (Python-fu)
Créez un DMP privé sans coût initial ni développement avec BigQuery
J'ai essayé de créer des taureaux et des vaches avec un programme shell
Créer un lecteur vidéo avec PySimpleGUI + OpenCV 3 Ajout de la fonction de masque
Creusez le répertoire et créez une liste de chemins de répertoire + noms de fichiers
Créez un stepper de poisson avec numpy.random
Coexistence de Python2 et 3 avec CircleCI (1.0)
Ecrire un script batch avec Python3.5 ~
Télécharger et télécharger des images avec Falcon
Créer un téléchargeur de fichiers avec Django
Créer et renvoyer un fichier CSV CP932 pour Excel avec Chalice
Créez un programme de jugement de compatibilité avec le module aléatoire de python.
Créez un BOT qui peut appeler des images enregistrées avec Discord comme des pictogrammes
[AWS] Créez un environnement Python Lambda avec CodeStar et faites Hello World
Une collection de conseils pour accélérer l'apprentissage et le raisonnement avec PyTorch
Exécuter un lot de Python 2.7 avec nohup sur Amazon Linux AMI sur EC2
L'histoire de la création d'une caméra sonore avec Touch Designer et ReSpeaker
Créer une pile avec une file d'attente et une file d'attente avec une pile (à partir de LetCode / Implémenter la pile à l'aide de files d'attente, Implémenter la file d'attente à l'aide de piles)
Obtenez des images de la carte OpenStreetMap et de l'Institut géographique avec Python + staticmap
Créez DNN-CRF avec Chainer et reconnaissez la progression des accords de la musique
Créer une application Todo avec Django ④ Implémenter la fonction de création de dossier et de tâche
Créez un environnement Python 3 avec pyenv sur Mac et affichez des graphiques Network X
Implémenter un modèle avec état et comportement (3) - Exemple d'implémentation par décorateur
Explication de la création d'une application pour afficher des images et dessiner avec Python
Créez un arbre de décision à partir de 0 avec Python et comprenez-le (5. Entropie des informations)
Créer un décorateur de fonction Python avec Class
Classification multi-étiquette d'images multi-classes avec pytorch
Une compréhension approximative de python-fire et un mémo
Créez une image factice avec Python + PIL.
[Python] Créez un environnement virtuel avec Anaconda
Créons un groupe gratuit avec Python
Capturer des images avec Pupil, python et OpenCV