样本毕设相关

整体思路

1、结合目标检测的相关算法进行改进
U-net连接浅层网络（针对小目标的生成）；Centernet的高斯掩码。
2、不需要纠结监督信息的问题，是否加入温度信息（如何加入温度信息）需要考虑
3、将目标抠出来单独进行评估、训练很有必要

制作灰度图mask

材质分割相关/生成灰度图Mask.py
生成出来的效果不太好，如下：

用opencv的时候注意下处理图片，读入的时候默认是uint8类型，转成float后再处理要正常的多。

直接平均效果不好。

【使用：材质分割相关/生成灰度图Mask3.py，效果如下】
之前因为mask_car有白边，所以效果一直不行
/pytorch-CycleGAN-and-pix2pix-master/datasets/visdrone_4181_daytime/mask_MultiGray2/

制作mask

把弱光场景、光源不均衡场景去掉

最终得到4181张图片，分成三类mask：汽车、绿色植物、路面及其他建筑物

cv2.threshold()

cv2.threshold (源图片, 阈值, 填充色, 阈值类型)

Args：
src：源图片，必须是单通道
thresh：阈值，取值范围0～255
maxval：填充色，取值范围0～255
type：阈值类型，具体见下表

在HSV空间提取图片的绿色部分

    # 读入RGB图像
    rgb_image = cv2.imread(img_pth)

    # 提取绿色分量
    lower_green = np.array([35, 43, 46])
    upper_green = np.array([77, 255, 255])
    hsv = cv2.cvtColor(rgb_image, cv2.COLOR_BGR2HSV)
    mask = cv2.inRange(hsv, lower_green, upper_green)  # lower20===>0,upper200==>0,

对目标的多边形矩阵进行填充

        # 绘制填充的图
        cv2.fillPoly(demo,[points_],(255,0,0))