Deep learning 如何使用Keras ImageDataGenerator进行图像转换输入

我试图训练一个模型，将一幅图像转换成另一幅图像（因此，这不是一个图像分类问题）。它是自动着色，即将灰度图像转换为彩色

我已经建立了顺序DL模型

我想提供（image_x，image_y）和非（image_x，label）作为model.fit（）方法的输入

我如何使用ImageDataGenerator来实现这一点

如果ImageDataGenerator不是合适的方法，您能让我参考合适的Keras方法来完成这项工作吗

我有目录中的图像

• train/grayscale/

• train/color/

• validation/grayscale

• validation/color

• test/grayscale

• test/color

---

提前感谢。

您的问题就像一个图像分割任务。中有一个将图像和遮罩（在您的示例中为彩色图像）与ImageDataGenerator一起转换的示例

以下是一个例子：

#我们创建两个具有相同参数的实例
数据根参数=dict（特征中心=True，
featurewise_std_normalization=True，
旋转范围=90。，
宽度\偏移\范围=0.1，
高度位移范围=0.1，
缩放（范围=0.2）
image\u datagen=ImageDataGenerator（**data\u gen\u args）
mask_datagen=ImageDataGenerator（**数据_gen_args）
#为fit和flow方法提供相同的种子和关键字参数
种子=1
image_datagen.fit（图像，augment=True，seed=seed）
mask_datagen.fit（mask，augment=True，seed=seed）
image\u generator=来自\u目录的image\u datagen.flow\u(
“数据/图像”，
class_模式=无，
种子=种子）
mask\u generator=来自\u目录的mask\u datagen.flow\u(
“数据/掩码”，
class_模式=无，
种子=种子）
#将生成器组合成一个生成图像和遮罩的生成器
序列生成器=zip（图像生成器、掩码生成器）
1.2型拟合发生器(
列车发电机，
每个历元的步数=2000，
时代=50）

请注意，在class_mode=None的情况下，数据仍然需要 驻留在目录的子目录中，以使其正常工作

例如，当您将

train/grayscale

和

train/color

传递给两个

flow\u from\u directory

函数时，列车图像的目录应如下所示：

• train/grayscale/images

• train/color/images

---

对不起，我不明白。我已经看过文件了。我所能看到的是，如果我将图像放在data/folder1和data/folder2中，ImageDataGenerator将生成带有标签folder1和folder2的批处理。我不知道如何告诉它抓取（x_train，y_train），其中y_train是一个图像而不是一个标签。我编辑了我的答案，添加了示例和一些注释。“我希望这对你有帮助。@Matin-我只是不明白一些事情。”。在image_dagen.fit（）中，您必须提供一个变量images。。。这些是什么？因为在image_generator中，您已经指定了图像…@Dieter-如果您想在ImageDataGenerator中使用例如featurewise归一化，首先需要计算一组数据的平均值和标准值。通常，这些数据是整个训练数据，但您也可以使用其他数据。