Alpha冲刺2-3

Alpha冲刺2/3 进展及体会

一、项目进展

本周的进展主要是前端界面进行了美化，并且重新设计了一下功能

这我主要负责了把训练好的模型应用到后端，输入图片的路径就可以输出检测的结果

首先，研究了SAFNet的模型训练代码

data_path = './data/SAFNet'
data_traingt = sio.loadmat(os.path.join(data_path, 'mask_train.mat'))['mask_train']
data_testgt = sio.loadmat(os.path.join(data_path, 'mask_test.mat'))['mask_test']
im1 = sio.loadmat(os.path.join(data_path, 'data_1.mat'))['data']
im2 = sio.loadmat(os.path.join(data_path, 'data_2.mat'))['data']

这里需要注意，读入数据时的通道数是1维，所以当在网页的后端读取bmp图片的格式，要注意把3通道的数据读入到一个通道里面

1 2	im1 = io.imread(os.path.join(origin, path1))[:, :, 0].astype(np.float32) im2 = io.imread(os.path.join(origin, path2))[:, :, 0].astype(np.float32)

然后就是利用输入的图像来创建Patch，并利用创建的Patch来对模型进行训练，这里创建的Patch数量等于gt中元素大于1的个数

1
2
3

# 创建Patch：数量等于gt中元素大于1的个数
train_1, labels ,_ = createImgCube(im1, data_traingt, createPosWithoutZero(im1, data_traingt), windowSize=windowSize)
train_2, _ ,_ = createImgCube(im2, data_traingt, createPosWithoutZero(im2, data_traingt), windowSize=windowSize)

再之后做的就是数据增强，并且按照一定的比例划分训练集和测试集，最后在生成检测图片的时候，同样也是按照Patch进行生成的，先对小的区域进行检测，最后再把小的区域总共合起来

for i in range(height):
    for j in range(width):
    # if preclassify_lab[i, j]!= 1.5:
    #   outputs[i, j] = preclassify_lab[i, j]

    # else:
        patch1 = im1[i:i+windowSize, j:j+windowSize, :]
        patch1 = patch1.reshape(1, patch1.shape[0], patch1.shape[1], patch1.shape[2])
        X_test_image = torch.FloatTensor(patch1.transpose(0, 3, 1, 2)).to(device)

        patch2 = im2[i:i+windowSize, j:j+windowSize, :]
        patch2 = patch2.reshape(1, patch2.shape[0], patch2.shape[1], patch2.shape[2])
        X_test_image1 = torch.FloatTensor(patch2.transpose(0, 3, 1, 2)).to(device)

        _, _, prediction = model(X_test_image, X_test_image1)
        prediction = np.argmax(prediction.detach().cpu().numpy(), axis=1)
        outputs[i][j] = prediction
    if i % 20 == 0:
        print('... ... row ', i, ' handling ... ...')