使用U-Net进行图像分割

为了加快开发速度，使用了开源框架，开源框架有不少，这里仅选择其中一个作介绍。Keras

预处理

首先，也是第一步，须要作的是预处理，该步骤的目标是把图像整理成可以直接塞入网络的图片的样子。

什么样子的图片格式才是一个网络须要的呢？

• 一个是未通过处理的原始图片；
• 一个是通过处理后，你想要获得的样子的图片。

好比，你未通过处理的图像是下面的图像的样子（Input，X_train，X）。

而后你想要获得的输出图片的样子是下面的样子（Output，Y_train，Y）：

那么，你要作的工做来了。手动的把上面的未通过处理的图片的整理成下面图片的样子（或者借助其余工具）。

而你须要注意的是，这两张图片的大小是同样的（保证像素点的个数一致），由于咱们要获得的神经网络输出图片（也叫作掩膜图）须要和神经网络的输入图片的像素点一一对应。

神经网络会根据某种对应法则，将上面的图片\(X\)，映射到下面的图片\(Y\)中，即\(Y = f(x)\) ，这个映射法则\(f\)咱们没法用一个公式准确的表达，可是确实是在神经网络内部实现了这种一一映射。若是真的要表达的话，那么只能用一个网络结构来讲明这种映射关系了。

若是下面的图片的每一个像素点都是一个几率值，那么这个图片就是一个由几率组成的一个矩阵，也叫作几率矩阵。

接下来，须要完成的就是须要把这个图片整理成可以输入网络的形式（统一格式）：

• 统一颜色格式（RGB仍是GRAYSCALE）
• 统一图片大小（size）
• 格式化图片名称（file_rename）
• 设置batch_size以及其余参数（非必须）

关于这个步骤的处理过程能够先Copy 预处理的代码，该步骤用到了Keras的一个类库：ImageDataGenerator，从这个文档中，能够更加详细的了解到如何使用现有的方法解决你的问题了。官方解释的很到位，更重要的是还有实例。

开始训练

预处理作完了，那么就开始训练吧。

• 了解一下shape
• 制做一个网络模型
• 用你的模型进行训练

关于shape，是咱们必需要掌握的一个常识性问题，看下图：

鉴于智商问题，看图理解，不作解释。

如何制做网络模型呢？在图像分割上，有一个目前效果较好的模型叫作U-net，能够先用他们的模型直接训练，而后在前人的基础上作修改，以此下降学习成本，让成就感更高，从而促进学习兴趣（有点扯）。

模型框架作（Copy）好了，怎么来使用这个模型来训练本身的图片呢？Keras给出了一个方法叫作fit_generator，它能够激活你的模型，开始你的训练，里面的参数须要根据须要本身设置了，每一个参数都是什么意思能够参考官方文档提供的帮助。这里也是有一个能够用来参考的实例代码可使用。

运行测试

激动人心的时刻就是当你运行了python train.py以后，接下来，就是漫长的等待它训练完成，而后对结果进行测试。

如何使用已经创建的网络模型进行测试？过程十分简单，使用load_model加载已经保存的模型，而后使用predict方法进行预测。使用方式及参数说明参考官方文档load_model和predict。这里也能够参考实际应用中使用的代码。