164 lines
9.1 KiB
Python
164 lines
9.1 KiB
Python
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 Load_process.LoadData import Load_Data_Prepare
|
||
from torchvision import transforms
|
||
from Training_Tools.PreProcess import Training_Precesses
|
||
import numpy as np
|
||
from PIL import Image
|
||
import torch
|
||
import cv2
|
||
|
||
class Image_generator():
|
||
'''製作資料強化'''
|
||
def __init__(self, Generator_Root, Labels, Image_Size) -> None:
|
||
self._validation = validation_the_enter_data()
|
||
self.stop = 0
|
||
self.Labels = Labels
|
||
self.Generator_Root = Generator_Root
|
||
self.Image_Size = Image_Size
|
||
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
|
||
'''
|
||
for i in range(1, 5, 1):
|
||
print("\nAugmentation one Generator image")
|
||
data_size = self.get_processing_Augmentation(Training_Dict_Data_Root, i, data_size)
|
||
self.stop += 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()
|
||
image_processing = Read_image_and_Process_image(self.Image_Size)
|
||
tool = Training_Precesses("", "", "", "")
|
||
Classes = []
|
||
Transform = self.Generator_Content(stardand)
|
||
|
||
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
|
||
|
||
Classes = image_processing.make_label_list(len(image), "1")
|
||
Training_Dataset = tool.Combine_Signal_Dataset_To_DataLoader(image, Classes, 1, False)
|
||
|
||
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.This Script is not creating new fold.")
|
||
|
||
for batch_idx, (images, labels) in enumerate(Training_Dataset):
|
||
for i, img in enumerate(images):
|
||
if i == self.stop:
|
||
break
|
||
|
||
img = img.permute(2, 0, 1)
|
||
img = Transform(img)
|
||
|
||
# 轉換為 NumPy 陣列並從 BGR 轉為 RGB
|
||
img_np = img.numpy().transpose(1, 2, 0) # 轉回 HWC 格式
|
||
img_np = cv2.cvtColor(img_np, cv2.COLOR_BGR2RGB) # BGR 轉 RGB
|
||
|
||
img_pil = transforms.ToPILImage()(img_np)
|
||
File.Save_PIL_File("image_" + label + str(data_size) + ".png", save_root, img_pil) # 存檔
|
||
data_size += 1
|
||
|
||
return data_size
|
||
|
||
def load_data(self, label):
|
||
'''Images is readed by myself'''
|
||
image_processing = Read_image_and_Process_image(self.Image_Size)
|
||
img = image_processing.Data_Augmentation_Image(self.get_data_roots[label])
|
||
img = torch.tensor(img)
|
||
|
||
self.stop = len(img) * 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:
|
||
return transforms.Compose([
|
||
transforms.RandomRotation(30),
|
||
transforms.RandomResizedCrop(224, scale=(0.8, 1.0)),
|
||
transforms.RandomHorizontalFlip(),
|
||
transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1),
|
||
])
|
||
elif judge == 2:
|
||
return transforms.Compose([
|
||
transforms.RandomRotation(180),
|
||
transforms.RandomResizedCrop(224, scale=(0.7, 1.0)),
|
||
transforms.RandomHorizontalFlip(),
|
||
transforms.RandomVerticalFlip(),
|
||
])
|
||
elif judge == 3:
|
||
return transforms.Compose([
|
||
transforms.RandomRotation(45),
|
||
transforms.RandomResizedCrop(224, scale=(0.9, 1.0)),
|
||
transforms.RandomAffine(degrees=20, shear=0.2),
|
||
transforms.ColorJitter(brightness=0.2, contrast=0.2),
|
||
transforms.RandomHorizontalFlip(),
|
||
])
|
||
elif judge == 4:
|
||
return transforms.Compose([
|
||
transforms.RandomRotation(50),
|
||
transforms.RandomResizedCrop(224, scale=(0.75, 1.0)),
|
||
transforms.RandomAffine(degrees=30, shear=0.25),
|
||
transforms.ColorJitter(brightness=0.3, contrast=0.3, saturation=0.3, hue=0.2),
|
||
transforms.RandomHorizontalFlip(),
|
||
transforms.RandomVerticalFlip(),
|
||
])
|
||
else:
|
||
return transforms.ToTensor() # 將數值歸一化到[0, 1]之間 |