图像语义分割网络：SegNet

发表SegNet网络的论文为：Badrinarayanan V, Kendall A, Cipolla R.SegNet: A Deep Convolutional Encoder-Decoder Architecture for SceneSegmentation[J]. IEEE Transactions on Pattern Analysis & MachineIntelligence, 2017, PP(99):1-1。 来源于美国加州大学伯克利分校的这项工作为语义分割引入了端到端的全卷积网络，在构建的网络结构中，重新利用ImageNet的预训练网络用于语义分割，并使用了反卷积层进行上采样并且引入跳跃连接来改善上采样粗糙的像素定位。

from __future__ import print_function
from keras.preprocessing.image import ImageDataGenerator
import numpy as np 
import os
import glob
import skimage.io as io
import skimage.transform as trans

Sky = [128128128]
Building = [12800]
Pole = [192192128]
Road = [12864128]
Pavement = [6040222]
Tree = [1281280]
SignSymbol = [192128128]
Fence = [6464128]
Car = [640128]
Pedestrian = [64640]
Bicyclist = [0128192]
Unlabelled = [000]

COLOR_DICT = np.array（[Sky Building Pole Road Pavement
                          Tree SignSymbol Fence Car Pedestrian Bicyclist Unlabelled]）


def adjustData（imgmaskflag_multi_classnum_class）:
    if（flag_multi_class）:
        img = img / 255
        mask = mask[:::0] if（len（mask.shape） == 4） else mask[::0]
        new_mask = np.zeros（mask.shape + （num_class））
        for i in range（num_class）:
            #for one pixel in the image find the class in mask and convert it into one-hot vector
            #index = np.where（mask == i）
            #index_mask = （index[0]index[1]index[2]np.zeros（len（index[0]）dtype = np.int64） + i） if （len（mask.shape） == 4） else （index[0]index[1]np.zeros（len（index[0]）dtype = np.int64） + i）
            #new_mask[index_mask] = 1
            new_mask[mask == ii] = 1
        new_mask = np.reshape（new_mask（new_mask.shape[0]new_mask.shape[1]*new_mask.shape[2]new_mask.shape[3]）） if flag_multi_class else np.reshape（new_mask（new_mask.shape[0]*new_mask.shape[1]new_mask.shape[2]））
        mask = new_mask
    elif（np.max（img） > 1）:
        img = img / 255
        mask = mask /255
        mask[mask > 0.5] = 1
        mask[mask <= 0.5] = 0
    return （imgmask）



def trainGenerator（batch_sizetrain_pathimage_foldermask_folderaug_dictimage_color_mode = “grayscale“
                    mask_color_mode = “grayscale“image_save_prefix  = “image“mask_save_prefix  = “mask“
                    flag_multi_class = Falsenum_class = 2save_to_dir = Nonetarget_size = （256256）seed = 1）:
    ‘‘‘
    can generate image and mask at the same time
    use the same seed for image_datagen and mask_datagen to ensure the transformation for image and mask is the same
    if you want to visualize the results of generator set save_to_dir = “your path“
    ‘‘‘
    image_datagen = ImageDataGenerator（**aug_dict）
    mask_datagen = ImageDataGenerator（**aug_dict）
    image_generator = image_datagen.flow_from_directory（
        train_path
        classes = [image_folder]
        class_mode = None
        color_mode = image_color_mode
        target_size = target_size
        batch_size = batch_size
        save_to_dir = save_to_dir
        save_prefix  = image_save_prefix
        seed = seed）
    mask_generator = mask_datagen.flow_from_directory（
        train_path
        classes = [mask_folder]
        class_mode = None
        color_mode = mask_color_mode
        target_size = target_size
        batch_size = batch_size
        save_to_dir = save_to_dir
   

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-06-22 02:37  unet-master\
     文件        2552  2018-06-22 02:37  unet-master\README.md
     文件        5076  2018-06-22 02:37  unet-master\data.py
     目录           0  2018-06-22 02:37  unet-master\data\
     目录           0  2018-06-22 02:37  unet-master\data\membrane\
     文件     7871660  2018-06-22 02:37  unet-master\data\membrane\test-volume.tif
     目录           0  2018-06-22 02:37  unet-master\data\membrane\test\
     文件      214932  2018-06-22 02:37  unet-master\data\membrane\test\0.png
     文件       48695  2018-06-22 02:37  unet-master\data\membrane\test\0_predict.png
     文件      213325  2018-06-22 02:37  unet-master\data\membrane\test\1.png
     文件      216258  2018-06-22 02:37  unet-master\data\membrane\test\10.png
     文件       58705  2018-06-22 02:37  unet-master\data\membrane\test\10_predict.png
     文件      212360  2018-06-22 02:37  unet-master\data\membrane\test\11.png
     文件       59910  2018-06-22 02:37  unet-master\data\membrane\test\11_predict.png
     文件      218424  2018-06-22 02:37  unet-master\data\membrane\test\12.png
     文件       58785  2018-06-22 02:37  unet-master\data\membrane\test\12_predict.png
     文件      216843  2018-06-22 02:37  unet-master\data\membrane\test\13.png
     文件       56863  2018-06-22 02:37  unet-master\data\membrane\test\13_predict.png
     文件      215779  2018-06-22 02:37  unet-master\data\membrane\test\14.png
     文件       55807  2018-06-22 02:37  unet-master\data\membrane\test\14_predict.png
     文件      213389  2018-06-22 02:37  unet-master\data\membrane\test\15.png
     文件       55776  2018-06-22 02:37  unet-master\data\membrane\test\15_predict.png
     文件      210724  2018-06-22 02:37  unet-master\data\membrane\test\16.png
     文件       57146  2018-06-22 02:37  unet-master\data\membrane\test\16_predict.png
     文件      210481  2018-06-22 02:37  unet-master\data\membrane\test\17.png
     文件       58158  2018-06-22 02:37  unet-master\data\membrane\test\17_predict.png
     文件      210865  2018-06-22 02:37  unet-master\data\membrane\test\18.png
     文件       62315  2018-06-22 02:37  unet-master\data\membrane\test\18_predict.png
     文件      209276  2018-06-22 02:37  unet-master\data\membrane\test\19.png
     文件       54740  2018-06-22 02:37  unet-master\data\membrane\test\19_predict.png
     文件       54547  2018-06-22 02:37  unet-master\data\membrane\test\1_predict.png
............此处省略230个文件信息