语义分割图像预处理代码小汇总

最新推荐文章于 2024-06-14 01:24:18 发布
最新推荐文章于 2024-06-14 01:24:18 发布
阅读量313 收藏 3
点赞数 3
分类专栏： 1500深度学习笔记 文章标签： 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Scabbards_/article/details/134075769
版权
本文介绍了DataProcessToolsGitHub仓库中的一系列功能，包括文件名操作（如添加字符串、切割、后缀添加）、图像标签处理、数据集生成、图片预处理、模式检查、转Tensor以及CUDA设备可用性测试，旨在简化医学深度学习的数据准备工作。
摘要由CSDN通过智能技术生成

文件名的各种修改

文件名加特定字符串或者去除特定字符串

https://github.com/Scabbards1500/DataProcessTools/blob/master/FilenameModify.py

文件名按照长度切割

DataProcessTools/cropname.py at master · Scabbards1500/DataProcessTools · GitHub

文件名加后缀

DataProcessTools/add_extension.py at master · Scabbards1500/DataProcessTools · GitHub

标签处理

coco转pngmask  DataProcessTools/coco2mask.py at master · Scabbards1500/DataProcessTools · GitHub

二值标签转换 https://github.com/Scabbards1500/DataProcessTools/blob/master/LabelProcess.py

数据集处理

数据集生成json文件 DataProcessTools/data2json.py at master · Scabbards1500/DataProcessTools · GitHub

数据集生成csv文件

DataProcessTools/makecsv.py at master · Scabbards1500/DataProcessTools · GitHub

图片处理

缩放/裁剪

DataProcessTools/resize_img_ori.py at master · Scabbards1500/DataProcessTools · GitHub

图片信息查看

查看图片模式

DataProcessTools/check_img_mode.py at master · Scabbards1500/DataProcessTools · GitHub

图片转tensor

DataProcessTools/img_tensor.py at master · Scabbards1500/DataProcessTools · GitHub

运行相关

检查cuda是否可用

DataProcessTools/testcuda.py at master · Scabbards1500/DataProcessTools · GitHub

燕国地图的尽头是....?

咳咳，如果觉得里面的代码好用的话github点个小星星follow一下，以后会持续更新医学深度学习相关的代码，孩子下半年要申请学校了。

Scabbards_
关注
  • 3
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【CV面试】传统图像分割算法汇总
钱多多先森
01-07 1830
传统图像分割算法
不确定性语义分割论文、代码汇总
如果想成为中心，那么就到中心去吧。
03-26 6345
文章目录2017What Uncertainties Do We Need in Bayesian Deep Learning for Computer Vision?2020An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation2021Is segmentation uncertainty useful? 2017 What Uncertainties Do We Need in Bayesian Deep Learning
图像分割实战-系列教程3：unet医学细胞分割实战1（医学数据集、图像分割、语义分割、unet网络、代码逐行解读）
机器学习与软件工程
12-30 2572
图像分割实战-系列教程3：unet医学细胞分割实战（医学数据集、图像分割、语义分割、unet网络、代码逐行解读）
医学图像预处理——3D CT肝脏dicom图像预处理学习记录（3D-IRCADB）
weixin_43259626的博客
03-27 979
得到了各轴实际对应的空间大小后，可以根据重采样后期望各体素在某个轴上单位体素对应的空间大小，算各种重采样后的体素总数。结果如下：x轴数据的空间大小为512 * pixdim[1] = 451.07199mm，y轴数据的空间大小为512 * pixdim[2] = 451.07199mm，z轴数据的空间大小为81 * pixdim[3] = 405mm。作用是读取data_path中的文件，放入到image_slices中，得到一个129个大小的list，每一个list元素表示一个切片的全部信息。
语义分割中的一些模型的分类汇总
a486259的博客
03-17 4659
语义分割是深度学习中的一个重要应用领域。自Unet提出到现在已经过去了8年，期间有很多创新式的语义分割模型。简单的总结了Unet++、Unet3+、HRNet、LinkNet、PSPNet、DeepLabv3、多尺度attention、HarDNet、SegFormer、SegNeXt等10个语义分割模型的基本特性。
Paddle飞桨动态图教程——轻量级人像语义分割BiSeNet V2（算法原理、训练、部署，含完整代码和数据）
热门推荐
钱彬的博客
02-15 1万+
一、概述 二、算法原理 三、训练 四、部署 4.1 Python本地脚本推理 4.2 基于Django的线上Web部署 4.3 PC端C++部署 4.4 Android端部署
矿区无人机影像地物提取(语义分割)
datayx的文章
03-02 1245
向AI转型的程序员都关注了这个号????????????人工智能大数据与深度学习 公众号：datayx1. 实验数据介绍无人机拍摄的高分辨率矿区影像图实验室进行标注的对应labelv02...
大场景三维点云的语义分割综述
3D视觉工坊
09-11 4624
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达来源：点云PCL一．点云语义分割输入原始点云（x，y，z，intensity），得到每个三维点的语义类别。如图所示，不同颜色代表不同...
基于DNN的3D点云语义分割
新缸中之脑
07-01 641
由于增强现实/虚拟现实的发展及其在计算机视觉、自动驾驶和机器人领域的广泛应用，点云学习最近备受关注。深度学习已成功地用于解决二维视觉问题，然而在点云上使用深度学习技术还处于起步阶段。语义分割的目标是将给定的点云根据点的语义含义分成几个子集。本文重点研究基于点的方法这一技术路线中最先进的语义分割技术。 深度学习的早期尝试，是将点云预处理成结构化的网格格式，但代价是计算成本的增加或深度信息的丢失。3D 点云分割是将点云分类到不同区域的过程，同一区域中的点具有相似的属性。由于冗余性高、采样密度不均匀以及点云数据缺
代码文件_python_图像预处理_
10-01
Python用于图像处理包含；模板匹配；形态学运算
图像分割的transformer预处理代码
03-26
transformer
C++图像预处理及数字识别源代码.rar
03-08
C++图像预处理及数字识别源代码,适合学生
图像分割标签+nii格式的预处理
05-12
1. 利用ITK-snap进行数据标注的图像保存为nii格式 2.nii转换成npy格式，这有利于模型更加方便的获取数据 3.实现nii与png的转换
matlab图像预处理的所有代码
12-14
包括灰度变换，去噪，边缘检测，分割等等，所有前期处理工作中的代码。
用GAN网络生成彩票号码
Ephemeroptera的博客
06-11 1743
简单的gan网络实现序列预测
基于深度学习从2D图像中恢复3D图形
最新发布
weixin_42605076的博客
06-14 498
基于深度学习从二维图像中恢复三维图形，通过构建和训练复杂的神经网络模型，能够有效地从二维图像中提取深度信息和三维结构。尽管面临信息不足、遮挡和视角变化等挑战，但随着深度学习技术的不断进步，三维重建在多个领域展现出了广阔的应用前景。通过数据增强和预处理技术，可以进一步提升三维重建模型的鲁棒性和准确性。
基于深度学习的电池健康状态预测（Python）
weixin_39402231的博客
06-12 276
电池的故障预测和健康管理PHM是为了保障设备或系统的稳定运行，提供参考的电池健康管理信息，从而提醒决策者及时更换电源设备。不难发现，PHM的核心问题就是确定电池的健康状态，并预测电池剩余使用寿命。但是锂电池的退化过程影响因素众多，不仅受其本身工作模式的影响，外部环境的压力、温度等都会影响锂电池的退化。这些影响因素之间的相互耦合，导致锂电池的退化表现出很强的非线性及不确定性，这给SOH估计和RUL预测带来了很大的困难。
tensorRT 自定义算子plugin的实现
@bangbang的博客
06-09 347
实现一个自定义算子, 对输入的x， 先加一个数r,再乘以simport os自定义算子需要实现2个类，分别是算子的实现类, 以及利用实现类构建的算子类是自定义算子的实现类,通过继承父类的方式实现导出自定义算子。继承该父类后需要用户自己实现forward以及symbolic两个静态方法。forward函数: 定义该算子实现的具体代码，其中第一个参数必须是ctx, 后面的参数是实际自己传入的参数。symbolic方法: 由于是自定义的算子，因此需要定义符号函数symbolic，从而让onnx能识别它。
医学图像分割预处理代码
07-27
当然，我可以为您提供一些医学图像分割预处理的示例代码。以下是一个基于Python和OpenCV库的简单示例： ```python import cv2 import numpy as np def preprocess_image(image_path): # 读取图像 image = cv2.imread(image_path) # 将图像转换为灰度图 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 对灰度图进行高斯模糊 blurred = cv2.GaussianBlur(gray, (5, 5), 0) # 使用自适应阈值进行图像分割 _, thresholded = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 进行形态学操作，去除噪声和填充空洞 kernel = np.ones((3, 3), np.uint8) opening = cv2.morphologyEx(thresholded, cv2.MORPH_OPEN, kernel, iterations=2) closing = cv2.morphologyEx(opening, cv2.MORPH_CLOSE, kernel, iterations=2) return closing # 示例用法 image_path = 'path/to/your/image.jpg' preprocessed_image = preprocess_image(image_path) # 显示原始图像和预处理后的图像 cv2.imshow('Original Image', cv2.imread(image_path)) cv2.imshow('Preprocessed Image', preprocessed_image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在这个示例中，我们首先读取医学图像，然后将其转换为灰度图像。然后，我们对灰度图像应用高斯模糊来减少噪声。接下来，我们使用自适应阈值方法对图像进行分割，以获取二值图像。最后，我们使用形态学操作（开运算和闭运算）来去除噪声和填充空洞。 请注意，这只是一个简单的示例，实际的预处理步骤可能因不同的图像类型和任务而有所不同。您可能需要根据具体情况调整参数和操作。此外，您还可以使用其他库和算法来进行更复杂的图像预处理和分割。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值