Keras使用预训练模型迁移学习单通道灰度图像详解
作者：任博啥时候能毕业？
这篇文章主要介绍了Keras使用预训练模型迁移学习单通道灰度图像详解,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
1. 问题引出
最近在做一个图像分类的项目，由于性能比较差，因此需要尝试将彩色图转为灰度图进行训练，从而屏蔽掉颜色对分类结果的影响而着重关注纹理、结构等信息。
由于样本数量较少，只有几百张的样子，如果自己搭网络的话从头训练的话，势必会因为样本数量的问题，无法达到一个满意的效果，因此考虑借鉴Imagenet的预训练权重。
但是在Imagenet上预训练的模型（Xception, Resnet, VGG等）都是处理的彩色图，如果要使用预训练模型就必须要3通道的图像。
搜索了一下，基本上目前的解决方法：
暴力的将单通道的图复制为3份，然后合成为一张RGB图。
显然，该图3个通道的数值完全相等，这样存在很多冗余计算，我们称之为“伪RGB图”。
为了方便起见，自己实现了两种方法，完成如下转换：
- RGB图 → 灰度图 → 伪RGB图
其中，转换为灰度图时，均使用的是如下标准公式：
- L=R*299/1000+G*587/1000+B*114/1000
2. 解决方案
首先，导入必要的包：
from multiprocessing import Pool from PIL import Image import numpy as np import os
2.1. 直接使用convert将L转为RGB
def fakeRgb1(path, dst):
'''
方法1：直接使用convert将L转为RGB
:param path:图片输出路径
:param dst:图片输出路径
:return:rgb3个通道值相等的rgb图像
'''
b = Image.open(path)
# L代表转换为灰度图
if b.mode != 'L':
L = b.convert('L')
L = L.convert('RGB')
# 将图像转为数组
rgb_array = np.asarray(L)
# 将数组转换为图像
rgb_image = Image.fromarray(rgb_array)
rgb_image.save(dst + '\\' + path.split('\\')[-1])
print(dst + '\\' + path.split('\\')[-1])2.2. 数组拼接方法
def fakeRgb2(path, dst):
'''
方法二：最原始的拼接数组方法
:param path:图片输入路径
:param dst:图片输出路径
:return:rgb3个通道值相等的rgb图像
'''
b = Image.open(path)
# L代表转换为灰度图
if b.mode != 'L':
L = b.convert('L')
# 将图像转为数组
b_array = np.asarray(L)
# 将3个二维数组重叠为一个三维数组
rgb_array = np.zeros((b_array.shape[0], b_array.shape[1], 3), "uint8")
rgb_array[:, :, 0], rgb_array[:, :, 1], rgb_array[:, :, 2] = b_array, b_array, b_array
rgb_image = Image.fromarray(rgb_array)
rgb_image.save(dst + '\\' + path.split('\\')[-1])
print(dst + '\\' + path.split('\\')[-1])3. 多进程加速运行
由于是批量处理，因此可能会遇到同时转换很多张图片，那么这个时候就必须使用多进程加速了，具体的加速方法看我的这篇博客：
本文的加速代码如下：
def get_image_paths(folder):
return [os.path.join(folder, f) for f in os.listdir(folder)]
if __name__ == '__main__': # 多线程，多参数，starmap版本
images = get_image_paths(path)
output = [src for i in images]
zip_args = list(zip(images, output))
pool = Pool()
pool.starmap(fakeRgb2, zip_args)
pool.close()
pool.join()4.使用预训练模型训练
这部分就和训练普通RGB图像一样即可，在这里不赘述。
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。