Keras中有一个图像数据处理器ImageDataGenerator，能够很方便地进行数据增强，并且从文件中批量加载图片，避免数据集过大时，一下子加载进内存会崩掉。但是从官方文档发现，并没有一个比较重要的图像增强方式：随机裁剪，本博客就是记录一下如何在对ImageDataGenerator中生成的batch做图像裁剪
国际惯例，参考博客：
官方ImageDataGenerator文档
Keras 在fit_generator训练方式中加入图像random_crop
Extending Keras’ ImageDataGenerator to Support Random Cropping
how to use fit_generator with multiple image inputs
第二个博客比较全，第三个博客只介绍了分类数据的增强，如果是图像分割或者超分辨率，输出仍是一张图像，所以涉及到对image和mask进行同步增强
代码先介绍一下数据集目录结构：
在test文件夹下，分别有GT和NGT两个文件夹，每个文件夹存储的都是bmp图像文件
其次需要注意，从ImageDataGenerator中取数据用的是next(generator)函数
载入相关包
from keras_preprocessing.image import ImageDataGeneratorimport matplotlib.pyplot as pltimport numpy as np先使用自带的ImageDataGenerator配合flow_from_director读取数据 创建生成器
train_img_datagen=ImageDataGenerator()#各种预处理train_mask_datagen=ImageDataGenerator()#各种预处理读取文件
seed=2 #图像会随机打乱即shuffle，但是输入和输出的打乱顺序必须一样batch_size=2target_size=(1080,1920)train_img_gen=train_img_datagen.flow_from_directory('./test',classes=['NGT'],class_mode=None,batch_size=batch_size,target_size=target_size,shuffle=True,seed=seed,interpolation='bicubic')train_mask_gen=train_img_datagen.flow_from_directory('./test',classes=['GT'],class_mode=None,batch_size=batch_size,target_size=target_size,shuffle=True,seed=seed,interpolation='bicubic')封装打包
train_generator=zip(train_img_gen,train_mask_gen)定义裁剪器，裁剪图像和对应的mask:
def crop_generator(batch_gen,crop_size=(270,480)):while True:batch_x,batch_y=next(batch_gen)crops_img=np.zeros((batch_x.shape[0],crop_size[0],crop_size[1],3))crops_mask=np.zeros((batch_y.shape[0],crop_size[0],crop_size[1],3))height,width=batch_x.shape[1],batch_x.shape[2]for i in range(batch_x.shape[0]):#裁剪图像x=np.random.randint(0,height-crop_size[0]+1)y=np.random.randint(0,width-crop_size[1]+1)crops_img[i]=batch_x[i,x:x+crop_size[0],y:y+crop_size[1]]crops_mask[i]=batch_y[i,x:x+crop_size[0],y:y+crop_size[1]]yield (crops_img,crops_mask)使用裁剪器对Generator进行裁剪
train_crops=crop_generator(train_generator)可视化：
img,mask=next(train_crops)print(img.shape)plt.subplot(2,1,1)plt.imshow(img[0]/255)plt.subplot(2,1,2)plt.imshow(mask[0]/255) 后记记住要用while(True)死循环，并且yield在while循环内部，和for循环外部，代表每个批次
代码： 链接：https://pan.baidu.com/s/1UNZLke5kygBFHJ8iR8wV2A 提取码：e51e
