image-processing - 如何为简单的 Unet 标准化图像数据

Question

我希望训练一个 Unet 来分割非常简单的图像数据（下面的输入示例、预期预测和最终阈值预测）。

Unet 似乎也在学习像素大小。例如，如果我将来自不同来源的图像提供给它，该图像使用了更高的曝光时间（因此对象看起来相同，但像素强度的大小可能有很大差异），那么该算法将惨遭失败。

我已经尝试了不同的预处理方法来解决这种过度拟合。我在训练之前尝试对图像进行 z 评分，即：

img = (img - np.mean(img)) / np.std(img)

我也尝试过使用 keras ImageDataGenerator 来增加我的数据。我对这些计算背后发生的事情（尤其是它们如何相互交互）并没有牢牢把握。我还发现，当我进行上述标准化时，它会扭曲输入图像，我不再确定如何解释输出。如何恢复我感兴趣的原始结构？

我非常感谢有关解决此问题的基本方法的任何指示。我的最终目标是能够输入如下所示的输入图像，具有不同的像素分布但非常一致的对象形态，并训练一个 Unet 来预测如下所示的 2 个类别（基本上只是前景和背景）。

注意：我正在调整 Unet 的这个 Kaggle 实现：https ://www.kaggle.com/keegil/keras-u-net-starter-lb-0-277

标签： image-processingkerasconv-neural-networknormalization