[数据挖掘新闻] 在Keras和TensorFlow中扩展ImageDataGenerator [推广有奖]

在Keras和TensorFlow中扩展ImageDataGenerator
在处理计算机视觉问题时，很多时候我们会遇到需要对整个数据集应用某种形式的转换的情况。Keras中的ImageDataGenerator类提供了多种转换，例如翻转，规范化等。
keras_tokenization
但是，应用Keras中不可用的自定义转换变得很困难。在我们的特定示例中，我们将对我们的数据集应用去噪算法作为预处理转换。一种简单的方法是对数据集中的所有图像应用降噪功能，并将处理后的图像保存在另一个目录中。但是，这浪费了我们的时间和空间。另一种方法是使用preprocessing_function属性即时执行此转换  。
为了加载图像进行训练，我使用在Keras中实现的.flow_from_directory（）方法。使用OpenCV进行去噪非常简单，它提供了几种内置算法。在本文中，我将展示如何定义我们自己的预处理功能，将其传递给训练生成器，并将图像直接输入模型中，从而省去了保存它们的需要。
本教程大致分为两部分-
实现去噪算法
扩展预处理功能
让我们马上开始！
第1部分–实现去噪算法
让我们准备一个函数，将图像作为输入，应用内置的降噪算法，然后返回处理后的图像。
导入cv2
将numpy导入为np
def preprocessing_fun（文件名）：
    img = cv2.imread（文件名）
    dst = cv2.fastN1MeansDenoisingColored（img，None，10，10，7，21）
    返回dst
我们正在使用OpenCV的fastN1MeansDenoisingColored算法，因为该算法适用于彩色图像。OpenCV还提供了其他算法，可用于单通道图像。
现在我们已经实现了算法，让我们在ImageDataGenerator类中使用它。
第2部分–扩展预处理功能
在这里，我们使用训练生成器中上一节中定义的函数。
img_datagen = ImageDataGenerator（rescale = 1. / 255，
                           preprocessing_function = preprocessing_fun）
training_gen = img_datagen.flow_from_directory（PATH，target_size =（224
                          color_mode ='rgb'，batch_size = 32，shuffle = True）
在定义ImageDataGenerator对象的前两行中，您会注意到我们已经将去噪功能传递给了preprocessing_function参数。通过这样做，我们指示数据生成器将此功能作为预处理步骤应用于每个图像，然后再将其提供给模型。这样，我们就无需处理所有图像并将它们写入单独的目录。
专家提示：如果需要执行在不同功能中定义的一系列转换，则可以通过以下方式在训练生成器中使用它。
def transform1（img）：
    ＃应用诸如水平翻转的转换并返回图像
    返回cv2.flip（img，1）
def transform2（img）：
    ＃应用诸如垂直翻转之类的转换并返回图像
    返回cv2.flip（img，0）
def transform3（img）：
    ＃应用180度旋转并返回图像
    返回cv2.rotate（img，cv2.ROTATE_180）
def our_preprocessing_function（filename）：
    ＃组合所有转换
    img = cv2.imread（文件名）
    img1 = transform1（img）
    img2 = transform2（img1）
    final_img = transform3（img2）
    返回final_img
img_datagen = ImageDataGenerator（rescale = 1. / 255，
preprocessing_function = our_preprocessing_function）
training_generator = img_datagen.flow_from_directory（PATH，
target_size =（224
class_mode ='categorical'，shuffle = True）
这样，我们可以提供一系列自定义转换，将它们包装在一个函数中，然后将其应用于我们的数据集。该方法简单但功能强大，在资源受限的环境中工作时非常方便。
题库