视杯分割增强数据

“““Fairly basic set of tools for real-time data augmentation on image data.
Can easily be extended to include new transformations
new preprocessing methods etc...
based on Keras code
Modified by He Xie 08/2016 Artem Sevastopolsky 10/2016

For image segmentation problem data augmentation.
Transform train img data and mask img data simultaneously and in the same fashion.
Omit flow from directory function.
“““


from __future__ import absolute_import
from __future__ import print_function

import numpy as np
import re
from scipy import linalg
import scipy.ndimage as ndi
# from six.moves import range
import os
import threading

from keras import backend as K


def random_channel_shift（x intensity channel_index=0）:
    x = np.rollaxis（x channel_index 0）
    min_x max_x = np.min（x） np.max（x）
    channel_images = [np.clip（x_channel + np.random.uniform（-intensity intensity） min_x max_x）
                      for x_channel in x]
    x = np.stack（channel_images axis=0）
    x = np.rollaxis（x 0 channel_index+1）
    return x


def transform_matrix_offset_center（matrix x y）:
    o_x = float（x） / 2 + 0.5
    o_y = float（y） / 2 + 0.5
    offset_matrix = np.array（[[1 0 o_x] [0 1 o_y] [0 0 1]]）
    reset_matrix = np.array（[[1 0 -o_x] [0 1 -o_y] [0 0 1]]）
    transform_matrix = np.dot（np.dot（offset_matrix matrix） reset_matrix）
    return transform_matrix


def apply_transform（x transform_matrix channel_index=0 fill_mode=‘nearest‘ cval=0.）:
    x = np.rollaxis（x channel_index 0）
    final_affine_matrix = transform_matrix[:2 :2]
    final_offset = transform_matrix[:2 2]
    channel_images = [ndi.interpolation.affine_transform（x_channel final_affine_matrix
                      final_offset order=0 mode=fill_mode cval=cval） for x_channel in x]
    x = np.stack（channel_images axis=0）
    x = np.rollaxis（x 0 channel_index+1）
    return x


def flip_axis（x axis）:
    x = np.asarray（x）.swapaxes（axis 0）
    x = x[::-1 ...]
    x = x.swapaxes（0 axis）
    return x


def array_to_img（x dim_ordering=‘default‘ scale=True）:
    from PIL import Image
    if dim_ordering == ‘default‘:
        dim_ordering = K.image_dim_ordering（）
    if dim_ordering == ‘th‘:
        x = x.transpose（1 2 0）
    if scale:
        x += max（-np.min（x） 0）
        x /= np.max（x）
        x *= 255
    if x.shape[2] == 3:
        # RGB
        return Image.fromarray（x.astype（‘uint8‘） ‘RGB‘）
    elif x.shape[2] == 1:
        # grayscale
        return Image.fromarray（x[: : 0].astype（‘uint8‘） ‘L‘）
    else:
        raise Exception（‘Unsupported channel number: ‘ x.shape[2]）


def img_to_array（img dim_ordering=‘default‘）:
    if dim_ordering == ‘default‘:
        dim_ordering = K.image_dim_ordering（）
    if dim_ordering not in [‘th‘ ‘tf‘]:
        raise Exception（‘Unknown dim_ordering: ‘ dim_ordering）
    # image has dim_ordering （height width channel）