深度學習任務中，用于訓練的數據需要大小一樣，但現實使用的數據往往有大小的差異，有時大小一樣的數據進行插值操作后大小也會不一樣，根據任務需要確定合適的size后，把所有用于訓練的數據切成相同size是模型開始訓練前很重要的一步，由于訓練的image，label，測試的image,label都需要進行相同的操作，因此我們把這個功能封裝成一個函數，需要的時候調用就可以。

    def im_translation(self, image_size, imgs, labels, pixelx, pixely, pixel0, pixel1):
# =============================================================================
#         參數：
#         image_size:要裁剪的圖像的大小
#         imgs,labels:圖像數據和label數據
#         pixel：根據裁剪圖像大小和ROI在圖像中的位置，通過設置pixel大小使ROI在裁剪后圖像的中間位置
#         pixel0：數據抖動在y軸方向的大小
#         pixel1：數據抖動在x軸方向的大小
#         功能：
#         1、通過enumerate()和zip()函數實現在一個for循環里面同時對imgs_slice和labels_slice的操作，因為使用的是隨機抖動，圖像和label的抖動
#         必須保證一致性，在一個for循環可以很好的達到這個目的。
#         2、函數對原始圖像和要裁剪圖像大小做了比較，對于原始圖像大于和小于要裁剪圖像的情況都做了考慮。
=============================================================================
        z, x, y = np.shape(imgs)
        image_sizeX = image_size[0]
        image_sizeY = image_size[1]       
        imgs_new = []
        labels_new = []
        shift = np.max([abs(pixelx), abs(pixely), np.max((abs(x - image_sizeX), abs(y - image_sizeY)))])
        judge = sum([x > (image_sizeX + abs(pixelx) * 2), y > (image_sizeY + abs(pixely) * 2)])         
        for i, (imgs_slice, labels_slice) in enumerate(zip(imgs, labels)):
            width = random.randint(-pixel0, pixel0)
            height = random.randint(-pixel1, pixel1)
            if judge == 2 :
                imgs_slice = imgs_slice[int((x-image_sizeX)/2+pixelx+width):int((x+image_sizeX)/2+pixelx+width), int((y-image_sizeY)/2+pixely+height):int((y+image_sizeY)/2+pixely+height)]
                labels_slice = labels_slice[int((x-image_sizeX)/2+pixelx+width):int((x+image_sizeX)/2+pixelx+width), int((y-image_sizeY)/2+pixely+height):int((y+image_sizeY)/2+pixely+height)]
                imgs_new.append(imgs_slice)
                labels_new.append(labels_slice)              
                
            else:
                image_new = np.min(imgs_slice)*np.ones([image_sizeX+shift*2, image_sizeY+shift*2], dtype = np.float16)   
                image_new[int((image_sizeX+shift*2-x)/2):int((image_sizeX+shift*2-x)/2)+x, int((image_sizeY+shift*2-y)/2):int((image_sizeY+shift*2-y)/2)+y] = imgs_slice
                x1, y1 = np.shape(image_new)
                imgs_slice = image_new[int((x1-image_sizeX)/2 + pixelx):int((x1+image_sizeX)/2 + pixelx), int((y1-image_sizeY)/2 + pixely):int((y1+image_sizeY)/2) + pixely]            
                imgs_new.append(imgs_slice)    


                label_new = np.min(labels_slice)*np.ones([image_sizeX+shift*2, image_sizeY+shift*2], dtype = np.float16)   
                label_new[int((image_sizeX+shift*2-x)/2):int((image_sizeX+shift*2-x)/2)+x, int((image_sizeY+shift*2-y)/2):int((image_sizeY+shift*2-y)/2)+y] = labels_slice
                x1, y1 = np.shape(image_new)
                labels_slice = label_new[int((x1-image_sizeX)/2 + pixelx):int((x1+image_sizeX)/2 + pixelx), int((y1-image_sizeY)/2 + pixely):int((y1+image_sizeY)/2) + pixely]            
                labels_new.append(labels_slice)                
                

        imgs_new = np.array(imgs_new, np.float32)
        labels_new = np.array(labels_new, np.uint8)
        return imgs_new, labels_new

對應模型預測階段不需要對label進行操作，簡化后如下：

def cutting(image_size, imgs, pixelx, pixely):
    # =============================================================================
    #     參數：
    #     image_size: 需要的圖像大小
    #     imgs：需要裁剪的數據
    #     pixel：為了使ROI區域在中心所做的在y軸方向的調整
    #     shift:目的是防止因為pixelx, pixely的偏移造成的越界
    #     功能：
    #     先通過對每層圖像的操作實現對圖像裁剪
    # =============================================================================
    image_sizeX = image_size[0]
    image_sizeY = image_size[1]
    z, x, y = np.shape(imgs)
    shift = np.max([abs(pixelx), abs(pixely), np.max((abs(x - image_sizeX), abs(y - image_sizeY)))])
    judge = sum([x > (image_sizeX + abs(pixelx) * 2), y > (image_sizeY + abs(pixely) * 2)])
    imgs_new = []
#    image_std = imgs
    for i, image_std in enumerate(imgs):
        if judge == 2:
            image_std = image_std[int((x - image_sizeX) / 2 + pixelx):int((x + image_sizeX) / 2 + pixelx),
                        int((y - image_sizeY) / 2 + pixely):int((y + image_sizeY) / 2) + pixely]
            imgs_new.append(image_std)
        else:
            image_new = np.min(image_std) * np.ones([image_sizeX + shift * 2, image_sizeY + shift * 2], dtype=np.int32)
            image_new[int((image_sizeX + shift * 2 - x) / 2):int((image_sizeX + shift * 2 - x) / 2) + x,
            int((image_sizeY + shift * 2 - y) / 2):int((image_sizeY + shift * 2 - y) / 2) + y] = image_std
            x1, y1 = np.shape(image_new)
            image_std = image_new[int((x1 - image_sizeX) / 2 + pixelx):int((x1 + image_sizeX) / 2 + pixelx),
                        int((y1 - image_sizeY) / 2 + pixely):int((y1 + image_sizeY) / 2) + pixely]
            imgs_new.append(image_std)

    imgs_new = np.array(imgs_new, np.float32)
    return imgs_new

pixel參數在需要數據增強的時候可以用到，給pixel設置一個值可以實現所切區域在x,y軸的上下移動操作，可以使訓練數據瞬間增加幾倍。