计算机视觉——基于深度学习UNet实现的复杂背景文档二值化算法实现与模型训练

1. 引言

阈值分割可以被视为一个分类问题，通常涉及两个类别，这也是为什么阈值分割也被称为二值化。对于文档图像，我们期望阈值算法能够正确地将墨水分类为黑色，将纸张分类为白色，从而得到二值化图像。对于数字灰度图像，最简单的实现方法是选择一个阈值值，比如图像二值化，并将高于这个值的灰度级别分配为白色，将剩余的级别分配为黑色。问题在于正确找到这个值，以便能够完美匹配前景和背景元素。
在这里插入图片描述
对于文档图像，我们知道预期的结果，尽管存在一些问题使得这个领域变得非常具有挑战性，比如老化退化。老化伪影包括斑点（出现在纸面上的棕褐色斑点）、前后墨水干扰、皱褶纸、胶带标记、折叠痕迹等。
在这里插入图片描述

老化过程引起的许多问题的例子，如(右上和右下)老化，(左下和右中)背对前方的干扰和(左上)人为操纵作为胶带和(右下)皱纸造成的问题

一些二值化技术，如 Otsu[2]、Sauvola[3] 和 Niblack[4]，但它们在处理如图 1.2 所示的文档时效果并不理想：
在这里插入图片描述
在这里将探讨如何通过使用基于卷积神经网络（CNN）的U-Net架构训练的模型进行分类，来实现具有不同类型问题的文档二值化。CNN的典型用途在于分类任务，其中对图像的输出是一个单一的类别标签。然而，在许多视觉任务中，期望的结果不仅包括图像中物体是否存在，还包括其定位，即每个像素都应该被分配到一个类别标签。

训练代码地址：https://download.csdn.net/download/matt45m/89112642

2.开源数据集

数据集由总共 5,027 张图像及其相应的真实情况（二值参考图像）组成。所使用的图像来自以下数据集：

文档图像二值化 (DIB) - Nabuco 数据集：15 张图像 [5]
DIBCO 和 H-DIBCO (年份: 2009, 2010, 2011, 2012, 2013, 2014, 2016, 2017)：116 张图像 [6]
ICFHR 2016 棕榈叶手稿图像二值化挑战赛：99 张图像 [7]
ICDAR2017 历史文档作家识别竞赛：4,782 张图像 [8]
PHIBD 2012 波斯遗产图像二值化数据集：15 张图像 [9]

为了增加样本数量，将对原始图像和二值参考图像应用数据增强。由于模型只接受 256×256 尺寸的图像，将对图像进行分割而不是调整大小；这样，即不丢失信息，并且增加训练样本的数量。

2.1 数据增强

数据增强过程从对原始图像和其真实情况进行转换开始。选择了仅翻转（垂直和水平）和旋转（90°, 180° 和 270°）增强转换。其他转换也是可能的，例如模糊、添加噪声、改变亮度和对比度等。只是要记住，对于这些类型的转换，相应的真实情况不应接受它们。

应用转换后，结果图像和原始图像经过切割过程，产生 256×256 像素的图像。在生成增强的代码中，有可能增加结果图像的数量，使切割步骤小于 256，生成重叠的切割。

下图通过动画展示了切割过程。灰色线条显示了切割器将如何分割图像。左侧图像的步长为 256，而右侧为 128。请注意，在两种情况下裁剪图像的最终大小都是相同的（256×256），如白色方框中所示。
在这里插入图片描述

使用 5,027 张图像的数据集，步长为 256 的切割产生 27,630 张图像，而步长为 128 产生 97,146 张图像。请注意，这个数字甚至不到四倍，原因是接近图像边缘时的原因，不需要处理。
在这里插入图片描述

3. U-Net 模型架构

U-Net 是从传统的卷积神经网络演变而来的，最初由 Olaf Ronneberger 等人在 2015 年为生物医学图像分割设计和应用。一般的卷积神经网络专注于图像分类，其中输入是一张图像，输出是一个或多个模式标签。然而，在许多视觉任务中，期望的结果不仅包括图像中物体是否存在，还包括其定位，即每个像素都应该被分配到一个类别标签。

3.1 卷积

更正式地说，卷积是一个积分，它表示一个函数 g 在另一个函数 f 上移动时的重叠量，但在数字图像处理和深度学习中，卷积是将两个图像结合起来形成第三个图像的数学方法。通常，两个结合的图像中有一个不是图像，而是一个滤波器（或核心），一个值矩阵，其大小和值决定了卷积过程的效果类型。主要思想是将核心放置在每个像素上（横跨整个图像），并将其值与目标像素及其局部邻居相乘并求和。
在这里插入图片描述
卷积在数字图像处理中最常见的用途是边缘检测、模糊和去噪。虽然在 CNN 中卷积的中间层的效果众所周知，但可以通过展示最终应用来使其更加明显。

卷积在数字图像处理中最常见的用途是边缘检测、模糊和去噪。虽然在 CNN 中卷积的中间层的效果众所周知，但可以通过展示最终应用来使其更加明显。

上图显示了在左侧图像上应用的不同核心的卷积，首先是模糊，然后是 Sobel 边缘检测。我使用了这两个卷积在原始图像的灰度版本上。使用 CNN 时，卷积分别应用于每个 RGB 通道，这在图像处理中并不常见，因为它会产生奇怪的结果。

填充：如上例所示，结果图像比原始图像小，差距与核心大小有关；核心越大，中心离图像边缘越远。为了产生与输入相同大小的输出，在边缘添加额外的像素进行填充。这样，当滑动时，核心可以让原始边缘像素位于其中心，同时延伸到边缘之外的额外像素。

在这里插入图片描述
如上图显示了使用 OpenCV 的 copyMakeBorder 函数的一些填充方法。原始图像来自核心滤波器，每个角落有四个颜色点以帮助展示每种方法的差异。

步幅：步幅是核心窗口在输入矩阵上每次移动的像素数。步幅为一意味着每次滑动间隔一个像素，因此每个单独的滑动都作为一个标准卷积。步幅为二意味着每次滑动间隔两个像素，在此过程中跳过每隔一个滑动，大致缩小了两倍。步幅为三意味着跳过每两个滑动，大致缩小了三倍，以此类推。

3.2 U-Net 的工作原理

该架构包含两条路径，如下图所示。第一条路径是收缩路径（也称为编码器），用于捕捉图像中的上下文。编码器只是传统的卷积和最大池化层堆栈。第二条路径是对称的扩展路径（也称为解码器），用于使用转置卷积进行精确定位，以对输入特征图进行上采样。它是一个端到端的全卷积网络，没有任何密集层。
在这里插入图片描述

U-Net 架构（以最低分辨率的 32x32 像素为例）。每个蓝色框对应一个多通道特征图。通道数在框的顶部标注。x-y 大小在框的左下角提供。白色框表示复制的特征图。箭头表示不同的操作

每个编码器块接收输入，与相应裁剪的特征图进行连接，应用两个 3×3 卷积（无填充），每个卷积后跟一个修正线性单元（ReLu），然后是一个 2×2 最大池化操作，步幅为 2 进行下采样，如图 3.7 详细说明。
在这里插入图片描述
每个解码器块由两个卷积层组成，在本项目中，输入图像的形状从 256×256×1 变为 256×256×64，在第一个卷积过程中，特征通道的深度增加了 64 倍。请注意，在上图所示的代码中，使用了 padding=’same’（用零填充额外的边界，但可以在使用 padding=’valid’ 的 Keras 中进行非填充卷积）；这样，卷积过程不会减小图像尺寸。Ronneberger 等人使用了非填充卷积，原因如下：‘由于每次卷积都会丢失边界像素，所以裁剪是必要的’ 。在 U-Net 的原始实现中，输入是一张 128×128×1 图像，编码器输出一个 8×8×256 形状。
在这里插入图片描述
解码器由扩展块组成，每个块包括使用 2×2 上采样层（转置卷积）对特征图进行上采样，该层将特征通道的数量减半，与编码器路径中相应裁剪的特征图进行连接，以及两个 3×3 卷积，每个卷积后跟一个 ReLU，如上图像所示。由于每次卷积都会丢失边界像素，裁剪是必要的。由于我在编码器中采用了填充卷积（padding=’same’），因此裁剪过程是不必要的。
在 U-Net 的原始实现中，解码器将形状从 8×8×256 增加到 128×128×1。该过程以一个 1×1 卷积结束，将每个 64 个组件的特征向量映射到所需的类别数。

4. 改进算法

在算法实现的过程中，发现很多文档图像都是整张A4左右的大小，而Unet的模型的输入最大为256，为了改进输入的局限，这里模型结构借签了Enet,代码使用的框架是Pytorch。
Unet网络部分：

import torch.nn as nn
import torchclass Inception(nn.Module):def __init__(self, in_ch, out_ch):super(Inception, self).__init__()hide_ch = out_ch // 2self.inception = nn.Sequential(nn.Conv2d(in_ch, hide_ch, 1),nn.BatchNorm2d(hide_ch),nn.ReLU(inplace=True),nn.Conv2d(hide_ch, hide_ch, 3, padding=1, groups=hide_ch),nn.BatchNorm2d(hide_ch),nn.ReLU(inplace=True),nn.Conv2d(hide_ch, out_ch, 1))def forward(self, x):return self.inception(x)class DoubleConv(nn.Module):def __init__(self, in_ch, out_ch):super(DoubleConv, self).__init__()self.doubleConv = nn.Sequential(Inception(in_ch, out_ch),nn.BatchNorm2d(out_ch),nn.ReLU(inplace=True),Inception(out_ch, out_ch),nn.BatchNorm2d(out_ch),nn.ReLU(inplace=True))def forward(self, x):return self.doubleConv(x)class UNet(nn.Module):def __init__(self, in_ch, out_ch):super(UNet, self).__init__()# downself.conv1 = DoubleConv(in_ch, 64)self.pool1 = nn.Conv2d(64, 64, 2, 2, groups=64)self.conv2 = DoubleConv(64, 128)self.pool2 = nn.Conv2d(128, 128, 2, 2, groups=128)self.bottom = DoubleConv(128, 256)# upself.up3 = nn.ConvTranspose2d(256, 128, 2, 2)self.conv3 = DoubleConv(128 * 2, 128)self.up4 = nn.ConvTranspose2d(128, 64, 2, 2)self.conv4 = DoubleConv(64 * 2, 64)self.out = nn.Conv2d(64, out_ch, 1)def forward(self, x):# downconv1 = self.conv1(x)pool1 = self.pool1(conv1)conv2 = self.conv2(pool1)pool2 = self.pool2(conv2)bottom = self.bottom(pool2)# upup3 = self.up3(bottom)merge3 = torch.cat([up3, conv2], dim=1)conv3 = self.conv3(merge3)up4 = self.up4(conv3)merge4 = torch.cat([up4, conv1], dim=1)conv4 = self.conv4(merge4)out = self.out(conv4)return nn.Sigmoid()(out)if __name__ == '__main__':net = UNet(1, 2)inputs = torch.zeros((1, 1, 512, 512), dtype=torch.float32)output = net(inputs)print(output.size())

使用ENet实现：

import torch.nn as nn
import torch
class InitialBlock(nn.Module):def __init__(self,in_channels,out_channels,bias=False,relu=True):super().__init__()if relu:activation = nn.ReLUelse:activation = nn.PReLU# Main branch - As stated above the number of output channels for this# branch is the total minus 3, since the remaining channels come from# the extension branchself.main_branch = nn.Conv2d(in_channels,out_channels - 1,kernel_size=3,stride=2,padding=1,bias=bias)# Extension branchself.ext_branch = nn.MaxPool2d(3, stride=2, padding=1)# Initialize batch normalization to be used after concatenationself.batch_norm = nn.BatchNorm2d(out_channels)# PReLU layer to apply after concatenating the branchesself.out_activation = activation()def forward(self, x):main = self.main_branch(x)ext = self.ext_branch(x)# Concatenate branchesout = torch.cat((main, ext), 1)# Apply batch normalizationout = self.batch_norm(out)return self.out_activation(out)class RegularBottleneck(nn.Module):def __init__(self,channels,internal_ratio=4,kernel_size=3,padding=0,dilation=1,asymmetric=False,dropout_prob=0,bias=False,relu=True):super().__init__()# Check in the internal_scale parameter is within the expected range# [1, channels]if internal_ratio <= 1 or internal_ratio > channels:raise RuntimeError("Value out of range. Expected value in the ""interval [1, {0}], got internal_scale={1}.".format(channels, internal_ratio))internal_channels = channels // internal_ratioif relu:activation = nn.ReLUelse:activation = nn.PReLU# Main branch - shortcut connection# Extension branch - 1x1 convolution, followed by a regular, dilated or# asymmetric convolution, followed by another 1x1 convolution, and,# finally, a regularizer (spatial dropout). Number of channels is constant.# 1x1 projection convolutionself.ext_conv1 = nn.Sequential(nn.Conv2d(channels,internal_channels,kernel_size=1,stride=1,bias=bias), nn.BatchNorm2d(internal_channels), activation())# If the convolution is asymmetric we split the main convolution in# two. Eg. for a 5x5 asymmetric convolution we have two convolution:# the first is 5x1 and the second is 1x5.if asymmetric:self.ext_conv2 = nn.Sequential(nn.Conv2d(internal_channels,internal_channels,kernel_size=(kernel_size, 1),stride=1,padding=(padding, 0),dilation=dilation,bias=bias), nn.BatchNorm2d(internal_channels), activation(),nn.Conv2d(internal_channels,internal_channels,kernel_size=(1, kernel_size),stride=1,padding=(0, padding),dilation=dilation,bias=bias), nn.BatchNorm2d(internal_channels), activation())else:self.ext_conv2 = nn.Sequential(nn.Conv2d(internal_channels,internal_channels,kernel_size=kernel_size,stride=1,padding=padding,dilation=dilation,bias=bias), nn.BatchNorm2d(internal_channels), activation())# 1x1 expansion convolutionself.ext_conv3 = nn.Sequential(nn.Conv2d(internal_channels,channels,kernel_size=1,stride=1,bias=bias), nn.BatchNorm2d(channels), activation())self.ext_regul = nn.Dropout2d(p=dropout_prob)# PReLU layer to apply after adding the branchesself.out_activation = activation()def forward(self, x):# Main branch shortcutmain = x# Extension branchext = self.ext_conv1(x)ext = self.ext_conv2(ext)ext = self.ext_conv3(ext)ext = self.ext_regul(ext)# Add main and extension branchesout = main + extreturn self.out_activation(out)class DownsamplingBottleneck(nn.Module):def __init__(self,in_channels,out_channels,internal_ratio=4,return_indices=False,dropout_prob=0,bias=False,relu=True):super().__init__()# Store parameters that are needed laterself.return_indices = return_indices# Check in the internal_scale parameter is within the expected range# [1, channels]if internal_ratio <= 1 or internal_ratio > in_channels:raise RuntimeError("Value out of range. Expected value in the ""interval [1, {0}], got internal_scale={1}. ".format(in_channels, internal_ratio))internal_channels = in_channels // internal_ratioif relu:activation = nn.ReLUelse:activation = nn.PReLU# Main branch - max pooling followed by feature map (channels) paddingself.main_max1 = nn.MaxPool2d(2,stride=2,return_indices=return_indices)# Extension branch - 2x2 convolution, followed by a regular, dilated or# asymmetric convolution, followed by another 1x1 convolution. Number# of channels is doubled.# 2x2 projection convolution with stride 2self.ext_conv1 = nn.Sequential(nn.Conv2d(in_channels,internal_channels,kernel_size=2,stride=2,bias=bias), nn.BatchNorm2d(internal_channels), activation())# Convolutionself.ext_conv2 = nn.Sequential(nn.Conv2d(internal_channels,internal_channels,kernel_size=3,stride=1,padding=1,bias=bias), nn.BatchNorm2d(internal_channels), activation())# 1x1 expansion convolutionself.ext_conv3 = nn.Sequential(nn.Conv2d(internal_channels,out_channels,kernel_size=1,stride=1,bias=bias), nn.BatchNorm2d(out_channels), activation())self.ext_regul = nn.Dropout2d(p=dropout_prob)# PReLU layer to apply after concatenating the branchesself.out_activation = activation()def forward(self, x):# Main branch shortcutif self.return_indices:main, max_indices = self.main_max1(x)else:main = self.main_max1(x)# Extension branchext = self.ext_conv1(x)ext = self.ext_conv2(ext)ext = self.ext_conv3(ext)ext = self.ext_regul(ext)# Main branch channel paddingn, ch_ext, h, w = ext.size()ch_main = main.size()[1]padding = torch.zeros(n, ch_ext - ch_main, h, w)# Before concatenating, check if main is on the CPU or GPU and# convert padding accordinglyif main.is_cuda:padding = padding.cuda()# Concatenateif int(ch_ext - ch_main) == 48:main = torch.cat((main, main), 1)main = torch.cat((main, main), 1)else:main = torch.cat((main, main), 1)# main = torch.cat((main, padding), 1)# Add main and extension branchesout = main + extreturn self.out_activation(out), max_indicesclass UpsamplingBottleneck(nn.Module):def __init__(self,in_channels,out_channels,internal_ratio=4,dropout_prob=0,bias=False,relu=True):super().__init__()# Check in the internal_scale parameter is within the expected range# [1, channels]if internal_ratio <= 1 or internal_ratio > in_channels:raise RuntimeError("Value out of range. Expected value in the ""interval [1, {0}], got internal_scale={1}. ".format(in_channels, internal_ratio))internal_channels = in_channels // internal_ratioif relu:activation = nn.ReLUelse:activation = nn.PReLU# Main branch - max pooling followed by feature map (channels) paddingself.main_conv1 = nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size=1, bias=bias),nn.BatchNorm2d(out_channels))# Remember that the stride is the same as the kernel_size, just like# the max pooling layersself.main_unpool1 = nn.MaxUnpool2d(kernel_size=2)# Extension branch - 1x1 convolution, followed by a regular, dilated or# asymmetric convolution, followed by another 1x1 convolution. Number# of channels is doubled.# self.up1 = nn.ConvTranspose2d(out_channels, out_channels, 2, 2)# 1x1 projection convolution with stride 1self.ext_conv1 = nn.Sequential(nn.Conv2d(in_channels, internal_channels, kernel_size=1, bias=bias),nn.BatchNorm2d(internal_channels), activation())# Transposed convolutionself.ext_tconv1 = nn.ConvTranspose2d(internal_channels,internal_channels,kernel_size=2,stride=2,bias=bias)self.ext_tconv1_bnorm = nn.BatchNorm2d(internal_channels)self.ext_tconv1_activation = activation()# 1x1 expansion convolutionself.ext_conv2 = nn.Sequential(nn.Conv2d(internal_channels, out_channels, kernel_size=1, bias=bias),nn.BatchNorm2d(out_channels), activation())self.ext_regul = nn.Dropout2d(p=dropout_prob)# PReLU layer to apply after concatenating the branchesself.out_activation = activation()def forward(self, x, max_indices, output_size):# Main branch shortcutmain = self.main_conv1(x)# main = self.up1(main)main = nn.Upsample(size=output_size[2:], mode='bilinear')(main)# main = self.main_unpool1(#     main, max_indices, output_size=output_size)# Extension branchext = self.ext_conv1(x)ext = self.ext_tconv1(ext, output_size=output_size)ext = self.ext_tconv1_bnorm(ext)ext = self.ext_tconv1_activation(ext)ext = self.ext_conv2(ext)ext = self.ext_regul(ext)# Add main and extension branchesout = main + extreturn self.out_activation(out)class ENet(nn.Module):def __init__(self, num_classes, encoder_relu=True, decoder_relu=True):super().__init__()self.initial_block = InitialBlock(1, 16, relu=encoder_relu)# Stage 1 - Encoderself.downsample1_0 = DownsamplingBottleneck(16,64,return_indices=True,dropout_prob=0.01,relu=encoder_relu)self.regular1_1 = RegularBottleneck(64, padding=1, dropout_prob=0.01, relu=encoder_relu)self.regular1_2 = RegularBottleneck(64, padding=1, dropout_prob=0.01, relu=encoder_relu)self.regular1_3 = RegularBottleneck(64, padding=1, dropout_prob=0.01, relu=encoder_relu)self.regular1_4 = RegularBottleneck(64, padding=1, dropout_prob=0.01, relu=encoder_relu)# Stage 2 - Encoderself.downsample2_0 = DownsamplingBottleneck(64,128,return_indices=True,dropout_prob=0.1,relu=encoder_relu)self.regular2_1 = RegularBottleneck(128, padding=1, dropout_prob=0.1, relu=encoder_relu)self.dilated2_2 = RegularBottleneck(128, dilation=2, padding=2, dropout_prob=0.1, relu=encoder_relu)self.asymmetric2_3 = RegularBottleneck(128,kernel_size=5,padding=2,asymmetric=True,dropout_prob=0.1,relu=encoder_relu)self.dilated2_4 = RegularBottleneck(128, dilation=4, padding=4, dropout_prob=0.1, relu=encoder_relu)self.regular2_5 = RegularBottleneck(128, padding=1, dropout_prob=0.1, relu=encoder_relu)self.dilated2_6 = RegularBottleneck(128, dilation=8, padding=8, dropout_prob=0.1, relu=encoder_relu)self.asymmetric2_7 = RegularBottleneck(128,kernel_size=5,asymmetric=True,padding=2,dropout_prob=0.1,relu=encoder_relu)self.dilated2_8 = RegularBottleneck(128, dilation=16, padding=16, dropout_prob=0.1, relu=encoder_relu)# Stage 3 - Encoderself.regular3_0 = RegularBottleneck(128, padding=1, dropout_prob=0.1, relu=encoder_relu)self.dilated3_1 = RegularBottleneck(128, dilation=2, padding=2, dropout_prob=0.1, relu=encoder_relu)self.asymmetric3_2 = RegularBottleneck(128,kernel_size=5,padding=2,asymmetric=True,dropout_prob=0.1,relu=encoder_relu)self.dilated3_3 = RegularBottleneck(128, dilation=4, padding=4, dropout_prob=0.1, relu=encoder_relu)self.regular3_4 = RegularBottleneck(128, padding=1, dropout_prob=0.1, relu=encoder_relu)self.dilated3_5 = RegularBottleneck(128, dilation=8, padding=8, dropout_prob=0.1, relu=encoder_relu)self.asymmetric3_6 = RegularBottleneck(128,kernel_size=5,asymmetric=True,padding=2,dropout_prob=0.1,relu=encoder_relu)self.dilated3_7 = RegularBottleneck(128, dilation=16, padding=16, dropout_prob=0.1, relu=encoder_relu)# Stage 4 - Decoderself.upsample4_0 = UpsamplingBottleneck(128, 64, dropout_prob=0.1, relu=decoder_relu)self.regular4_1 = RegularBottleneck(128, padding=1, dropout_prob=0.1, relu=decoder_relu)self.regular4_2 = RegularBottleneck(128, padding=1, dropout_prob=0.1, relu=decoder_relu)# Stage 5 - Decoderself.upsample5_0 = UpsamplingBottleneck(128, 16, dropout_prob=0.1, relu=decoder_relu)self.regular5_1 = RegularBottleneck(32, padding=1, dropout_prob=0.1, relu=decoder_relu)self.regular5_2 = RegularBottleneck(32, padding=1, dropout_prob=0.1, relu=decoder_relu)self.transposed_conv = nn.ConvTranspose2d(32,num_classes,kernel_size=3,stride=2,padding=1,bias=False)def forward(self, x):# Initial blockinput_size = x.size()x = self.initial_block(x)# Stage 1 - Encoderstage1_input_size = x.size()stage1_input = xx, max_indices1_0 = self.downsample1_0(x)x = self.regular1_1(x)x = self.regular1_2(x)x = self.regular1_3(x)x = self.regular1_4(x)# Stage 2 - Encoderstage2_input_size = x.size()stage2_input = xx, max_indices2_0 = self.downsample2_0(x)x = self.regular2_1(x)x = self.dilated2_2(x)x = self.asymmetric2_3(x)x = self.dilated2_4(x)x = self.regular2_5(x)x = self.dilated2_6(x)x = self.asymmetric2_7(x)x = self.dilated2_8(x)# Stage 3 - Encoderx = self.regular3_0(x)x = self.dilated3_1(x)x = self.asymmetric3_2(x)x = self.dilated3_3(x)x = self.regular3_4(x)x = self.dilated3_5(x)x = self.asymmetric3_6(x)x = self.dilated3_7(x)# Stage 4 - Decoderx = self.upsample4_0(x, max_indices2_0, output_size=stage2_input_size)x = torch.cat([stage2_input, x], dim=1)x = self.regular4_1(x)x = self.regular4_2(x)# Stage 5 - Decoderx = self.upsample5_0(x, max_indices1_0, output_size=stage1_input_size)x = torch.cat([stage1_input, x], dim=1)x = self.regular5_1(x)x = self.regular5_2(x)x = self.transposed_conv(x, output_size=input_size)return nn.Sigmoid()(x)
if __name__ == '__main__':net = ENet(2)inputs = torch.zeros((1, 1, 512, 512), dtype=torch.float32)output = net(inputs)print(output.size())

6.数据集

6.1 数据集准备

数据集是使用PS或者类似的工具做去掉背景处理出来的标签文件，如下图：
在这里插入图片描述

数据集标注好之后，把清除背景的图像放一个目录，原图放一个目录，图像的名称要相同，层级结构如下图：

data/test存放测试图像
data/train存放训练原始图像
data/train_cleaned存放去背景后的图像

7.环境安装与训练

7.1 环境安装

conda create --name unet python=3.7
conda activate unet
conda install pytorch torchvision cudatoolkit=10.2 -c pytorch
pip install cython matplotlib tqdm opencv-python scipy pillow

7.2 训练

运行以下命令：

python train.py --data_path data --batch_size 64 --epoch 100 --checkpoint_path checkpoints --lr 0.001

参数说明：
•–data_path：训练数据目录，在该目录下需要有train和train_cleaned两个文件夹
•–batch_size：训练batch size
•–epoch：训练epoch数
•–checkpoint_path：模型保存目录
•–lr：学习率

7.3 测试

python predict.py --image_path data/test --weight checkpoints/last.pth --output_path results

参数说明：
•–weight: 训练得到的模型
•–image_path：图像文件夹路径
•–output_path：输出文件夹路径

7.4 转成onnx模型

为了之后推理方便，这里把模型转成onnx模型，onnx模型可以使用onnxruntime或者opencv dnn进行推理，也可以转成ncnn或者别的移动端可部署的模型进行推理，详细步骤可参考我之前的博客：使用深度学习解决拍照文档复杂背景二值化问题
运行以下命令：

python convert_to_onnx.py --input checkpoints/last.pth --output checkpoints/last.onnx