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，开源框架有很多，这里仅选择其中一个做介绍 -- Keras。

预处理

首先，也是第一步，需要做的是预处理，该步骤的目标是把图像整理成能够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需要的呢？

• 一个是未经过处理的原始图片；
• 一个是经过处理后，你想要得到的样子的图片。

比如，你未经过处理的图像是下面的图像的样子（Input，X_train，X）。

然后你想要得到的输出图片的样子是下面的样子（Output，Y_train，Y）：

那么，你要做的工作来了。手动的把上面的未经过处理的图片的整理成下面图片的样子（或者借助其他工具）。

而你需要注意的是，这两张图片的大小是一样的（保证像素点的个数一致），因为我们要得到的神经网络输出图片（也叫做掩膜图）需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\(f\)我们无法用一个公式准确的表达，但是确实是在神经网络内部实现了这种一一映射。如果真的要表达的话，那么只能用一个网络结构来说明这种映射关系了。

如果下面的图片的每个像素点都是一个概率值，那么这个图片就是一个由概率组成的一个矩阵，也叫做概率矩阵。

接下来，需要完成的就是需要把这个图片整理成能够输入网络的形式（统一格式）：

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

关于这个步骤的处理过程可以先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，可以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

预处理做完了，那么就开始训练吧。

• 了解一下shape
• 制作一个网络模型
• 用你的模型进行训练

关于shape，是我们必须要掌握的一个常识性问题，看下图：

看图理解，不做解释。

如何制作网络模型呢？在图像分割上，有一个目前效果较好的模型叫做U-net，可以先用他们的模型直接训练，然后在前人的基础上做修改，以此降低学习成本，让成就感更高，从而促进学习兴趣（有点扯）。

模型框架做（Copy）好了，怎么来使用这个模型来训练自己的图片呢？Keras给出了一个方法叫做fit_generator，它可以激活你的模型，开始你的训练，里面的参数需要根据需要自己设置了，每个参数都是什么意思可以参考官方提供的帮助。这里也是有一个可以用来参考的实例代码可以使用。

运行测试

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

如何使用已经建立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，然后使用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。这里也可以参考实际应用中使用的代码。