由于数据量少，无法满足模型训练要求，写一段用于unet图像分割的数据预处理代码

以下是一段用于unet图像分割的数据预处理代码：

import numpy as np
import cv2

def preprocess_data(images, masks, img_size):
    # Resize images and masks to desired size
    images_resized = []
    masks_resized = []
    for i in range(len(images)):
        img = cv2.resize(images[i], img_size)
        mask = cv2.resize(masks[i], img_size)
        images_resized.append(img)
        masks_resized.append(mask)

    # Normalize images
    images_normalized = np.array(images_resized, dtype=np.float32) / 255.0

    # Convert masks to one-hot encoding
    masks_encoded = []
    for mask in masks_resized:
        mask_encoded = np.zeros((mask.shape[0], mask.shape[1], 2), dtype=np.float32)
        mask_encoded[mask == 255, 1] = 1.0
        mask_encoded[mask == 0, 0] = 1.0
        masks_encoded.append(mask_encoded)

    return images_normalized, np.array(masks_encoded)

这段代码将输入的图像和对应的掩模（mask）分别进行了缩放和归一化处理，并将掩模转换为了one-hot编码的形式，以便用于unet模型的训练。