from Read_and_process_image.ReadAndProcess import Read_image_and_Process_image from _validation.ValidationTheEnterData import validation_the_enter_data from Load_process.file_processing import Process_File from keras.preprocessing.image import ImageDataGenerator from Load_process.LoadData import Load_Data_Prepare class Image_generator(): '''製作資料強化''' def __init__(self, Generator_Root, Labels) -> None: self._validation = validation_the_enter_data() self.stop = 0 self.Labels = Labels self.Generator_Root = Generator_Root pass def Processing_Main(self, Training_Dict_Data_Root): data_size = 0 # 製作標準資料增強 ''' 這裡我想要做的是依照paper上的資料強化IMAGE DATA COLLECTION AND IMPLEMENTATION OF DEEP LEARNING-BASED MODEL IN DETECTING MONKEYPOX DISEASE USING MODIFIED VGG16 產生出資料強化後的影像 ''' print("\nAugmentation one monkeypox image") data_size = self.get_processing_Augmentation(Training_Dict_Data_Root, 1, data_size) self.stop += data_size # 製作標準資料增強 ''' 這裡我想要做的是依照paper上的資料強化IMAGE DATA COLLECTION AND IMPLEMENTATION OF DEEP LEARNING-BASED MODEL IN DETECTING MONKEYPOX DISEASE USING MODIFIED VGG16 產生出資料強化後的影像 ''' print("\nAugmentation two monkeypox image") data_size = self.get_processing_Augmentation(Training_Dict_Data_Root, 2, data_size) self.stop += data_size # 製作標準資料增強 ''' 這裡我想要做的是依照paper上的資料強化IMAGE DATA COLLECTION AND IMPLEMENTATION OF DEEP LEARNING-BASED MODEL IN DETECTING MONKEYPOX DISEASE USING MODIFIED VGG16 產生出資料強化後的影像 ''' print("\nAugmentation three monkeypox image") data_size = self.get_processing_Augmentation(Training_Dict_Data_Root, 3, data_size) self.stop += data_size # 製作標準資料增強 ''' 這裡我想要做的是依照paper上的資料強化IMAGE DATA COLLECTION AND IMPLEMENTATION OF DEEP LEARNING-BASED MODEL IN DETECTING MONKEYPOX DISEASE USING MODIFIED VGG16 產生出資料強化後的影像 ''' print("\nAugmentation four monkeypox image") data_size = self.get_processing_Augmentation(Training_Dict_Data_Root, 4, data_size) print() def get_processing_Augmentation(self, original_image_root : dict, Augment_choose, data_size): Prepaer = Load_Data_Prepare() self.get_data_roots = original_image_root # 要處理的影像路徑 Prepaer.Set_Label_List(self.Labels) data_size = self.Generator_main(self.Generator_Root, Augment_choose, data_size) # 執行 return data_size def Generator_main(self, save_roots, stardand, data_size): ''' Parameter: labels = 取得資料的標籤 save_root = 要儲存資料的地方 strardand = 要使用哪種Image Augmentation ''' File = Process_File() for label in self.Labels: # 分別對所有類別進行資料強化 image = self.load_data(label) # 取的資料 save_root = File.Make_Save_Root(label, save_roots) # 合併路徑 if File.JudgeRoot_MakeDir(save_root): # 判斷要存的資料夾存不存在，不存在則創立 print("The file is exist") train_Generator = self.Generator_Content(stardand) # 取的要做怎樣的資料強化 stop_counter = 0 for batches in train_Generator.flow(image, batch_size = 16): # 執行資料強化 ''' 程式碼中的 batch_size 參數被設置為 12, 這表示每次從訓練資料集中產生 12 個影像資料，作為一個 batch。當程式碼迭代 train_Generator 物件時，每次從訓練資料集中取出一個 batch 的影像，並逐一處理其中的每個影像。 在迭代過程中, counter 變數用於計算存儲的 Numpy 陣列檔案的數量，而 i 變數用於計算迭代的次數。當 i 的值是 417 的倍數時, if i % 417 == 0: 條件就會成立，進而執行 break 語句，退出外層迴圈。因此，最多只會從訓 練資料集中產生 417 個 batch 的影像資料。如果資料集中的影像總數不能被 12 整除，最後一個 batch 的影像數量會少於 12。因此, 最終產生的 Numpy 陣列檔案數量可能小於 image 資料集的影像總數除以 12。 總之，根據程式碼的設計，最多只會從訓練資料集中產生 417 個 batch 的影像資料，並將它們存儲為 Numpy 陣列檔案。在最後一個 batch 中的影像數量可能少於 12。 * train_Generator: 是一個ImageDataGenerator物件, 它從訓練資料中產生影像資料，這些影像資料可以用於訓練神經網路模型。 * flow(): 方法是ImageDataGenerator物件的一個方法, 它可以從資料集中產生一個batch的影像資料。image 是要傳遞給ImageDataGenerator的影像資料, batch_size 是一個batch中包含的影像數量。 * for batch in train_Generator.flow(image, batch_size = 12): 語句會迭代ImageDataGenerator物件產生的影像batch, 這些影像batch會逐一傳遞給batch 變數。 * for batches in batch: 語句會迭代batch中的每個影像資料, 這些影像資料會逐一傳遞給batches 變數。 * self.save_dir("image_" + label + str(counter) + ".npy", batches): 語句會以Numpy陣列的形式將每個影像資料存儲為一個Numpy陣列檔案, 檔案名稱會包含影像標籤和計數器。 * counter += 1: 語句會將計數器增加1, 以便標識存儲的Numpy陣列檔案。 * i += 1: 語句會增加迭代器的值, 以便在每417個影像batch之後退出迴圈。 * if i % 417 == 0: break 語句會檢查迭代器是否達到了417的倍數, 如果是, 就會退出外層的迴圈, 以便結束影像資料的存儲。 ''' for batch in batches: # 分別抓出每一張照片來儲存 File.Save_CV2_File("image_" + label + str(data_size) + ".png", save_root, batch) # 存檔 data_size += 1 stop_counter += 1 if stop_counter >= self.stop: # 若做指定次數則停止 break print(str(label) + "有" + str(stop_counter) + "筆資料") return data_size def load_data(self, label): '''Images is readed by myself''' image_processing = Read_image_and_Process_image() img = image_processing.Data_Augmentation_Image(self.get_data_roots[label]) self.stop = len(img) * 1.5 return img def Generator_Content(self, judge): # 影像資料增強 ''' ImageGenerator的參數: featurewise_center : 布爾值。將輸入數據的均值設置為0，逐特徵進行。 samplewise_center : 布爾值。將每個樣本的均值設置為0。 featurewise_std_normalization : Boolean. 布爾值。將輸入除以數據標準差，逐特徵進行。 samplewise_std_normalization : 布爾值。將每個輸入除以其標準差。 zca_epsilon : ZCA 白化的epsilon 值，默認為1e-6。 zca_whitening : 布爾值。是否應用ZCA 白化。 rotation_range : 整數。隨機旋轉的度數範圍。 width_shift_range : 浮點數、一維數組或整數 float: 如果<1，則是除以總寬度的值，或者如果>=1，則為像素值。 1-D 數組: 數組中的隨機元素。 int: 來自間隔 (-width_shift_range, +width_shift_range) 之間的整數個像素。 width_shift_range=2時，可能值是整數[-1, 0, +1]，與 width_shift_range=[-1, 0, +1] 相同；而 width_shift_range=1.0 時，可能值是 [-1.0, +1.0) 之間的浮點數。 height_shift_range : 浮點數、一維數組或整數 float: 如果<1，則是除以總寬度的值，或者如果>=1，則為像素值。 1-D array-like: 數組中的隨機元素。 int: 來自間隔 (-height_shift_range, +height_shift_range) 之間的整數個像素。 height_shift_range=2時，可能值是整數[-1, 0, +1]，與 height_shift_range=[-1, 0, +1] 相同；而 height_shift_range=1.0 時，可能值是 [-1.0, +1.0) 之間的浮點數。 shear_range : 浮點數。剪切強度（以弧度逆時針方向剪切角度）。 zoom_range : 浮點數或[lower, upper]。隨機縮放範圍。如果是浮點數，[lower, upper] = [1-zoom_range, 1+zoom_range]。 channel_shift_range : 浮點數。隨機通道轉換的範圍。 fill_mode : {"constant", "nearest", "reflect" or "wrap"} 之一。默認為'nearest'。輸入邊界以外的點根據給定的模式填充： 'constant': kkkkkkkk|abcd|kkkkkkkk (cval=k) 'nearest': aaaaaaaa|abcd|dddddddd 'reflect': abcddcba|abcd|dcbaabcd 'wrap': abcdabcd|abcd|abcdabcd cval : 浮點數或整數。用於邊界之外的點的值，當 fill_mode = "constant" 時。 horizontal_flip : 布爾值。隨機水平翻轉。 vertical_flip : 布爾值。隨機垂直翻轉。 rescale : 重縮放因子。默認為None。如果是None 或0，不進行縮放，否則將數據乘以所提供的值（在應用任何其他轉換之前）。 preprocessing_function : 應用於每個輸入的函數。這個函數會在任何其他改變之前運行。這個函數需要一個參數：一張圖像（秩為3 的Numpy 張量），並且應該輸出一個同尺寸的Numpy 張量。 data_format : 圖像數據格式，{"channels_first", "channels_last"} 之一。"channels_last" 模式表示圖像輸入尺寸應該為(samples, height, width, channels)，"channels_first" 模式表示輸入尺寸應該為(samples, channels, height, width)。默認為在Keras 配置文件 ~/.keras/keras.json 中的 image_data_format 值。如果你從未設置它，那它就是"channels_last"。 validation_split : 浮點數。Float. 保留用於驗證的圖像的比例（嚴格在0和1之間）。 dtype : 生成數組使用的數據類型。 ''' if judge == 1: datagen = ImageDataGenerator( rotation_range=30, # 旋轉影像 width_shift_range=0.1, # 圖像隨機水平移動，位移距離為圖像長度乘以參數(0.1) height_shift_range=0.1, # 圖像隨機垂直移動，位移距離為圖像長度乘以參數(0.1) zoom_range=0.2, # 隨機縮放範圍，[lower, upper] = [1-zoom_range, 1+zoom_range] horizontal_flip=False, # 水平翻轉 vertical_flip=False, # 垂直翻轉 fill_mode='nearest' # 在旋轉或平移造成空隙時，則空隙補常數 ) if judge == 2: datagen = ImageDataGenerator( rotation_range=180, width_shift_range=0.2, height_shift_range=0.1, zoom_range=0.1, horizontal_flip=True, vertical_flip=True, fill_mode='nearest' ) if judge == 3: datagen = ImageDataGenerator( rotation_range=45, # 旋轉影像 width_shift_range=0.02, # 圖像隨機水平移動，位移距離為圖像長度乘以參數(0.1) height_shift_range=0.02, # 圖像隨機垂直移動，位移距離為圖像長度乘以參數(0.1) shear_range = 0.02, zoom_range=0.02, # 隨機縮放範圍，[lower, upper] = [1-zoom_range, 1+zoom_range] horizontal_flip = True, fill_mode = "reflect" ) if judge == 4: # 第二份paper的資料強化 datagen = ImageDataGenerator( rotation_range=50, # 旋轉影像 width_shift_range=0.2, # 圖像隨機水平移動，位移距離為圖像長度乘以參數(0.1) height_shift_range=0.2, # 圖像隨機垂直移動，位移距離為圖像長度乘以參數(0.1) shear_range = 0.25, zoom_range=0.1, # 隨機縮放範圍，[lower, upper] = [1-zoom_range, 1+zoom_range] channel_shift_range = 20 # 隨機通道轉換的範圍 ) if judge == 5: # 第一份paper的資料強化 datagen = ImageDataGenerator(rescale = 1 / 255) return datagen