pydensecrf的使用

参考：https://github.com/lucasb-eyer/pydensecrf

1.使用

对于图像来说，最简单的使用该库的方法是使用DenseCRF2D类：

import numpy as np
import pydensecrf.densecrf as dcrf

d = dcrf.DenseCRF2D(640, 480, 5)  # width, height, nlabels

 

 2.一元势 Unary potential

你可以使用下面的方法设置固定的一元势

一元势即网络预测得到的结果，进行-np.log(py)等操作

U = np.array(...)     # Get the unary in some way.
print(U.shape)        # -> (5, 480, 640)
print(U.dtype)        # -> dtype('float32')
U = U.reshape((5,-1)) # Needs to be flat.
d.setUnaryEnergy(U)

# Or alternatively: d.setUnary(ConstUnary(U))

记住U应该是负的log概率，所以如果你用概率py，别忘了执行U = -np.log(py)

需要在一元势上进行reshape是我想要修复的API缺陷，但是如果不引入对numpy的显式依赖，我不知道如何解决这个问题。

注意，nlabel维度是这里reshape之前的第一个维度;如果不是这样的话，你可能需要在reshape之前把nlabel移到前面，即U.shape的结果应该为(5, 480, 640)，就像这样:

print(U.shape)  # -> (480, 640, 5)
U = U.transpose(2, 0, 1).reshape((5,-1))

 

1）Getting a Unary

得到 unary potentials有两种常见的方法:
1)由人类或其他过程产生的硬标签。该方法由from pydensecrf.utils import unary_from_labels实现
2)由概率分布计算得到，例如深度网络的softmax输出。即我们之前先对图片使用训练好的网络预测得到最终经过softmax函数得到的分类结果，这里需要将这个结果转成一元势

对此，请参阅from pydensecrf.utils import unary_from_softmax

 

1）unary_from_labels(labels, n_labels, gt_prob, zero_unsure=True)函数的使用

简单分类器，该分类器50%确定注释(即从训练好的网络预测img后得到的结果)是正确的。(与推理示例中相同)。

参数：

• labels: numpy.array；标签label映射，即数据的形状的数组，其中每个唯一值对应于一个标签，一种像素值对应一种标签。
• n_labels: int；标签的总数。如果' zero_unsure'参数为True(默认值)，这个数字不应该包括' 0 '标签，因为' 0 '不是一个标签!
<