Brain Tumor Detection-CV Data Generator 数据获取

废话不多说直接上代码（修改过的classification的code）

import tensorflow
class DataGenerator(tensorflow.keras.utils.Sequence):
    'Generates data for Keras'
    def __init__(self, list_IDs, batch_size=32, dim=(224,224), n_channels=3,
                 n_classes=2, shuffle=True):
        'Initialization'
        self.dim = dim
        self.batch_size = batch_size
        self.list_IDs = list_IDs
        self.n_channels = n_channels
        self.n_classes = n_classes
        self.shuffle = shuffle
        self.on_epoch_end()

    def __len__(self):
        'Denotes the number of batches per epoch'
        return int(np.floor(len(self.list_IDs) / self.batch_size))

    def __getitem__(self, index):
        'Generate one batch of data'
        # Generate indexes of the batch
        indexes = self.indexes[index*self.batch_size:(index+1)*self.batch_size]

        # Find list of IDs
        list_IDs_temp = [self.list_IDs[k] for k in indexes]

        # Generate data
        X, y = self.__data_generation(list_IDs_temp)
        return X, y

    def on_epoch_end(self):
        'Updates indexes after each epoch'
        self.indexes = np.arange(len(self.list_IDs))
        if self.shuffle == True:
            np.random.shuffle(self.indexes)

    def __data_generation(self, list_IDs_temp):
        'Generates data containing batch_size samples' # X : (n_samples, *dim, n_channels)
        # Initialization
        X = np.empty(shape=(self.batch_size, *self.dim, self.n_channels))
        y = np.empty(shape=(self.batch_size, *self.dim))
        # Generate data
        for i, ID in enumerate(list_IDs_temp):
            # Store sample
            img1 = np.load(ID)[:,:,:]
            seg1 = np.load(mask[i])[:,:]
            # Add data augmentation here
            image = augmentation(img=img1, seg=seg1)
            X[i] = image["image"]
            y[i] = image["mask"]
            X[i] = add_noise(X[i])

            # Store class
        return X, y

前三段类似Dataset类，提供构造器，长度和样本生成。on epoch end为1个epoch结束后，对已有的indexes进行洗牌，随机获取新的若干个一个batch_size的数据作为一个epoch。data_generation优先运行，将img里的路径读取为numpy，并且随机裁剪为224*224大小，概率添加噪声或翻转后储存为X与y，丢给模型进行训练。（数据增广）。X为3通道RGB图片img，y为单通道mask。

Generator会返回包含img：(32, 224, 224, 3) 和mask：(32, 224, 224)两个numpy数组的一个元组（tuple）。

相比于classification，在segmentation中y的值应该是ID（也就是img）对应的mask，而不是标签0或1。同时需要注意img为三通道，维度应该加一个3（channel），seg只有一个通道所以不需要加。由于所有图片都经过随机裁剪240 → 224，所以generator里生成的数组也要适应大小。