使用U-Net進行圖像分割

爲了加快開發速度，使用了開源框架，開源框架有不少，這裏僅選擇其中一個作介紹。Keras

預處理

首先，也是第一步，須要作的是預處理，該步驟的目標是把圖像整理成可以直接塞入網絡的圖片的樣子。

什麼樣子的圖片格式纔是一個網絡須要的呢？

• 一個是未通過處理的原始圖片；
• 一個是通過處理後，你想要獲得的樣子的圖片。

好比，你未通過處理的圖像是下面的圖像的樣子（Input，X_train，X）。

而後你想要獲得的輸出圖片的樣子是下面的樣子（Output，Y_train，Y）：

那麼，你要作的工做來了。手動的把上面的未通過處理的圖片的整理成下面圖片的樣子（或者藉助其餘工具）。

而你須要注意的是，這兩張圖片的大小是同樣的（保證像素點的個數一致），由於咱們要獲得的神經網絡輸出圖片（也叫作掩膜圖）須要和神經網絡的輸入圖片的像素點一一對應。

神經網絡會根據某種對應法則，將上面的圖片\(X\)，映射到下面的圖片\(Y\)中，即\(Y = f(x)\) ，這個映射法則\(f\)咱們沒法用一個公式準確的表達，可是確實是在神經網絡內部實現了這種一一映射。若是真的要表達的話，那麼只能用一個網絡結構來講明這種映射關係了。

若是下面的圖片的每一個像素點都是一個機率值，那麼這個圖片就是一個由機率組成的一個矩陣，也叫作機率矩陣。

接下來，須要完成的就是須要把這個圖片整理成可以輸入網絡的形式（統一格式）：

• 統一顏色格式（RGB仍是GRAYSCALE）
• 統一圖片大小（size）
• 格式化圖片名稱（file_rename）
• 設置batch_size以及其餘參數（非必須）

關於這個步驟的處理過程能夠先Copy 預處理的代碼，該步驟用到了Keras的一個類庫：ImageDataGenerator，從這個文檔中，能夠更加詳細的瞭解到如何使用現有的方法解決你的問題了。官方解釋的很到位，更重要的是還有實例。

開始訓練

預處理作完了，那麼就開始訓練吧。

• 瞭解一下shape
• 製做一個網絡模型
• 用你的模型進行訓練

關於shape，是咱們必需要掌握的一個常識性問題，看下圖：

鑑於智商問題，看圖理解，不作解釋。

如何製做網絡模型呢？在圖像分割上，有一個目前效果較好的模型叫作U-net，能夠先用他們的模型直接訓練，而後在前人的基礎上作修改，以此下降學習成本，讓成就感更高，從而促進學習興趣（有點扯）。

模型框架作（Copy）好了，怎麼來使用這個模型來訓練本身的圖片呢？Keras給出了一個方法叫作fit_generator，它能夠激活你的模型，開始你的訓練，裏面的參數須要根據須要本身設置了，每一個參數都是什麼意思能夠參考官方文檔提供的幫助。這裏也是有一個能夠用來參考的實例代碼可使用。

運行測試

激動人心的時刻就是當你運行了python train.py以後，接下來，就是漫長的等待它訓練完成，而後對結果進行測試。

如何使用已經創建的網絡模型進行測試？過程十分簡單，使用load_model加載已經保存的模型，而後使用predict方法進行預測。使用方式及參數說明參考官方文檔load_model和predict。這裏也能夠參考實際應用中使用的代碼。