VOC Segmentation GT图像颜色表生成分析

本系列文章由 @yhl_leo 出品，转载请注明出处。
文章链接： http://blog.csdn.net/yhl_leo/article/details/52185581

---

PASCAL VOC图像分割数据集中，图像中各个类别以不同的颜色进行区分，即Ground Truth中，每种颜色都对应着相应的类别：

可以看出这个颜色表既好看又容易区分开。下面来看，这个color map是如何产生的。

先附上Matlab版本的代码：

% VOCLABELCOLORMAP Creates a label color map such that adjacent indices have different
% colors.  Useful for reading and writing index images which contain large indices,
% by encoding them as RGB images.
%
% CMAP = VOCLABELCOLORMAP(N) creates a label color map with N entries.
function cmap = labelcolormap(N)

if nargin==0
    N=256
end
cmap = zeros(N,3);
for i=1:N
    id = i-1; r=0;g=0;b=0;
    for j=0:7
        r = bitor(r, bitshift(bitget(id,1),7 - j));
        g = bitor(g, bitshift(bitget(id,2),7 - j));
        b = bitor(b, bitshift(bitget(id,3),7 - j));
        id = bitshift(id,-3);
    end
    cmap(i,1)=r; cmap(i,2)=g; cmap(i,3)=b;
end
cmap = cmap / 255;

其中，N就是类别数，而bitor()，bitshift()，bitget()这些位运算的函数，可以在Matlab中查询其功能，很容易理解（源码就不做分析了）。

对于VOC 20类的分割问题，我们调用：labelcolormap(21)，可以得到如下输出（这里把结果乘以255，使用整数表示）：

     0     0     0
   128     0     0
     0   128     0
   128   128     0
     0     0   128
   128     0   128
     0   128   128
   128   128   128
    64     0     0
   192     0     0
    64   128     0
   192   128     0
    64     0   128
   192     0   128
    64   128   128
   192   128   128
     0    64     0
   128    64     0
     0   192     0
   128   192     0
     0    64   128

索引值	颜色值	颜色
0	(0,0,0)
1	(128,0,0)
2	(0,128,0)
3	(128,128,0)
4	(0,0,128)
5	(128,0,128)
6	(0,128,128)
7	(128,128,128)
8	(64,0,0)
9	(192,0,0)
10	(64,128,0)
11	(192,128,0)
12	(64,0,128)
13	(192,0,128)
14	(64,128,128)
15	(192,128,128)
16	(0,64,0)
17	(128,64,0)
18	(0,192,0)
19	(128,192,0)
20	(0,64,128)

---

我将Matlab代码转为python版本：

def uint82bin(n, count=8):
    """returns the binary of integer n, count refers to amount of bits"""
    return ''.join([str((n >> y) & 1) for y in range(count-1, -1, -1)])

def labelcolormap(N):
    cmap = np.zeros((N, 3), dtype = np.uint8)
    for i in range(N):
        r = 0
        g = 0
        b = 0
        id = i
        for j in range(7):
            str_id = uint82bin(id)
            r = r ^ ( np.uint8(str_id[-1]) << (7-j))
            g = g ^ ( np.uint8(str_id[-2]) << (7-j))
            b = b ^ ( np.uint8(str_id[-3]) << (7-j))
            id = id >> 3
        cmap[i, 0] = r
        cmap[i, 1] = g
        cmap[i, 2] = b
    return cmap

这里，我并没有将cmap保存成float型，而是无符号整型，不过这是小事。执行labelcolormap(21)后，得到输出如下：

[[  0   0   0]
 [128   0   0]
 [  0 128   0]
 [128 128   0]
 [  0   0 128]
 [128   0 128]
 [  0 128 128]
 [128 128 128]
 [ 64   0   0]
 [192   0   0]
 [ 64 128   0]
 [192 128   0]
 [ 64   0 128]
 [192   0 128]
 [ 64 128 128]
 [192 128 128]
 [  0  64   0]
 [128  64   0]
 [  0 192   0]
 [128 192   0]
 [  0  64 128]]

与Matlab版本的结果一致。

转载于:https://www.cnblogs.com/hehehaha/p/6332114.html