图像分割中的Mask，color table 和label ,one-hot代码详解

最新推荐文章于 2022-12-09 12:08:24 发布
最新推荐文章于 2022-12-09 12:08:24 发布
阅读量7.8k 收藏 58
点赞数 6
分类专栏： 深度学习
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/weixin_38632246/article/details/103983447
版权

文章目录

主要对图像分割的颜色转换，模板这部分解释，以LedNet 项目源码为例：
参考全部源代码：https://github.com/xiaoyufenfei/LEDNet

label 和output

这里图像分割的label和网络输出的output一般都假设单通道的灰度图，比如先生成一个output输出：
10*10的size：

a=torch.randint(9,size=[1,10,10])
print(a)

在这里插入图片描述
得到这个单通道的灰度图后，做一个颜色表的映射：

import numpy as np
def colormap_cityscapes(n):
    cmap=np.zeros([n, 3]).astype(np.uint8)
    cmap[0] = np.array([128, 64,128])
    cmap[1] = np.array([244, 35,232])
    cmap[2] = np.array([ 70, 70, 70])
    cmap[3] = np.array([ 102,102,156])
    cmap[4] = np.array([ 190,153,153])
    cmap[5] = np.array([ 153,153,153])

    cmap[6] = np.array([ 250,170, 30])
    cmap[7] = np.array([ 220,220,  0])
    cmap[8] = np.array([ 107,142, 35])
    cmap[9] = np.array([ 152,251,152])
    cmap[10] = np.array([ 70,130,180])

    cmap[11] = np.array([ 220, 20, 60])
    cmap[12] = np.array([ 255,  0,  0])
    cmap[13] = np.array([ 0,  0,142])
    cmap[14] = np.array([  0,  0, 70])
    cmap[15] = np.array([  0, 60,100])

    cmap[16] = np.array([  0, 80,100])
    cmap[17] = np.array([  0,  0,230])
    cmap[18] = np.array([ 119, 11, 32])
    cmap[19] = np.array([ 0,  0,  0])
    
    return cmap

打印一下颜色表，这里总共20类，最后一类是背景。
在这里插入图片描述
有了颜色表之后，我们需要将刚才的网络output转换为三通道的image，
上色代码，

class Colorize:

    def __init__(self, n=20):
        #self.cmap = colormap(256)
        self.cmap = colormap_cityscapes(256)   #cmap是颜色表
        self.cmap[n] = self.cmap[-1] #把最后一类的颜色表设为[0,0,0]
        self.cmap = torch.from_numpy(self.cmap[:n]) # cmap由nump数组转为tensor

    def __call__(self, gray_image):
        size = gray_image.size()  # 网络output的大小
        color_image = torch.ByteTensor(3, size[1], size[2]).fill_(0) 
        #生成3通道的image模板
        
        for label in range(0, len(self.cmap)):# 依次遍历label的颜色表
            mask = gray_image[0] == label  
            #gray_image[0] 是将三维的图像，以【1, 10, 10】为例，变成二维【10,10】,这个参数是外部传入，这里确保是二维单通道就行了
            #gray_image[0] == label 意思是将 gray_image[0]中为label值的元素视为true或者1，其他的元素为False 或0，得到mask的布尔图
            
            color_image[0][mask] = self.cmap[label][0] #取取颜色表中为label列表(【a,b,c】)的a
            #color_image[0]是取三通道模板中的单通道 ，然后把mask放上去
            color_image[1][mask] = self.cmap[label][1]  # 取b
            color_image[2][mask] = self.cmap[label][2]#   取c

        return color_image

生成output对应的三通道图像模板

size = a.size()
color_image = torch.ByteTensor(3, size[1], size[2]).fill_(0)
print(color_image)

打印出：

tensor([[[0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]],

        [[0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]],

        [[0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]]], dtype=torch.uint8)

得到output a对应的label mask：

mask=a[0].byte().cpu().data==3   #3 是随便取一个label值
print(mask)
#输出
tensor([[0, 0, 1, 0, 0, 0, 0, 0, 0, 0],
        [0, 1, 0, 0, 0, 0, 0, 0, 1, 1],
        [0, 0, 0, 0, 0, 0, 0, 0, 1, 0],
        [0, 1, 0, 0, 1, 0, 0, 0, 0, 1],
        [0, 1, 0, 0, 0, 0, 0, 0, 1, 0],
        [0, 0, 0, 1, 0, 0, 0, 0, 0, 0],
        [0, 0, 1, 0, 0, 0, 0, 0, 0, 0],
        [0, 0, 1, 0, 0, 0, 0, 0, 1, 1],
        [0, 0, 1, 1, 0, 0, 0, 0, 0, 0],
        [0, 0, 0, 0, 0, 0, 1, 1, 0, 0]], dtype=torch.uint8)

将mask附着在color_image 模板上：

color_image[0][mask]=12  #假设12 表示 label为3 的颜色表【a，b，c】中a 为12
print(color_image[0])

#打印输出
tensor([[ 0,  0, 12,  0,  0,  0,  0,  0,  0,  0],
        [ 0, 12,  0,  0,  0,  0,  0,  0, 12, 12],
        [ 0,  0,  0,  0,  0,  0,  0,  0, 12,  0],
        [ 0, 12,  0,  0, 12,  0,  0,  0,  0, 12],
        [ 0, 12,  0,  0,  0,  0,  0,  0, 12,  0],
        [ 0,  0,  0, 12,  0,  0,  0,  0,  0,  0],
        [ 0,  0, 12,  0,  0,  0,  0,  0,  0,  0],
        [ 0,  0, 12,  0,  0,  0,  0,  0, 12, 12],
        [ 0,  0, 12, 12,  0,  0,  0,  0,  0,  0],
        [ 0,  0,  0,  0,  0,  0, 12, 12,  0,  0]], dtype=torch.uint8)

print(color_image)

#单通道输出， 其他2各通道继续执行上面操作，就可以实现把灰度图，映射为RBG图
tensor([[[ 0,  0, 12,  0,  0,  0,  0,  0,  0,  0],
         [ 0, 12,  0,  0,  0,  0,  0,  0, 12, 12],
         [ 0,  0,  0,  0,  0,  0,  0,  0, 12,  0],
         [ 0, 12,  0,  0, 12,  0,  0,  0,  0, 12],
         [ 0, 12,  0,  0,  0,  0,  0,  0, 12,  0],
         [ 0,  0,  0, 12,  0,  0,  0,  0,  0,  0],
         [ 0,  0, 12,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0, 12,  0,  0,  0,  0,  0, 12, 12],
         [ 0,  0, 12, 12,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0, 12, 12,  0,  0]],

        [[ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0]],

        [[ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0],
         [ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0]]], dtype=torch.uint8)

one-hot：

one-hot 是一种编码方式，现在用来对label编码，比如一个图像分割的label图，变成4维[1,1,6,6], 单通道，size为6*6, ， ，，，然后分类物体加背景有6类，我们需要将这个单通道label， 变成6个通道的x_onehot输出，就是把label中全为,0的像素拿出来生成一个图，全为2的拿出来，直到5，以下代码：

x=torch.randint(6, size=(1, 1, 6, 6)).long()   #label
print(x)
x_onehot = torch.zeros(1, 6, 6, 6).long()   # 先生成模板

x_onehot.scatter_(1, x, 1).float()   # 这个就是生成6个channel的， scatter_这个函数不必理解太深，知道这么一个用法就OK了
          
print(x_onehot.numpy())

在这里插入图片描述
读取一张png的mask，生成多通道掩膜
在这里插入图片描述

Rock_Huang~
关注
  • 6
    点赞
  • 踩
  • 58
    收藏
    觉得还不错? 一键收藏
  • 8
    评论
专栏目录
Adapter Tuning：详细解读Parameter-Efficient Transfer Learning for NLP
沉迷单车的追风少年
06-04 1496
大语言模型实在是太火了，各种技术日新月异，研究diffusion models的从LLMs中找一些研究灵感已经是基操了。当模型比较小的时候，微调全部参数还是可以的。但是现在的大预训练模型时代，微调所有参数不仅效果堪忧，对资源的消耗也非常恐怖，所以这就是做有效微调的初衷。为了研究清楚如何进行有效的大模型微调，我打算沿着Adapter Tuning——Prefix Tuning——Prompt Tuning——P-Tuning——lora的路线详细讲解一下，希望可以对做diffusion models的同学有所
图像分割之-MASK_RCNN
woniuhuihui的博客
01-16 3008
图像分割之-MASK_RCNN 自己正在学习图像分割，下面分享下自己的经验，从标注数据开始。 一、Labelme的安装 参考博客：https://blog.csdn.net/u012746060/article/details/81871733 一、安装环境：windows10，anaconda3，python3.5 二、安装过程： 1、管理员身份打开 anaconda prompt 2、输入命令...
利用.scatter()函数对三维图像的分割mask进行one-hot编码
X922199的博客
12-09 647
在用写的分割模型dice计算公式时，需要先对分割mask进行one-hot编码，以和输出的分割相匹配。
对图像分割里的mask详细解释
qq_37002116的博客
05-21 8752
mask在不同任务中有不同的用法，分类的结果叫label。分割的结果叫mask。记录了分割结果真值，像素级别的分类标签。 图像分割里的情况 1，前背景分割这样一个二分类任务：mask就可以是(h,w,1)的二值图，1表示前景，0表示背景。 2，实例分割中：例如使用OpenCV库在python中实现，为每个对象分配颜色标签，可视化也叫mask。 3，在深度学习里，以mask-rcnn为例子： **第一步：**假如一个输入含有s个对象，ROI区域对应到1414大小的feature map 中。将1414大小fe
图像分割MASK（png图片）处理
MiniStarflying的博客
05-06 2331
使用python将MASK的png图片转为数组，并写入xlsx表格。 代码： from PIL import Image import numpy as np import pandas as pd image = Image.open("C:/Users/lenovo/Desktop/00c15eac44f83468cf867a66894d96c7_01.png") # 用PIL中的I...
图像分割（多分类）将mask变为one hot label
wanfy8800的专栏
03-23 5105
方法一： dataProcess.py · yangyin2020/Unet_RSimage_Multi-band_Multi-class - Gitee.com def dataPreprocess(img, label, classNum, colorDict_GRAY): # 归一化 img = img / 255.0 for i in range(colorDict_GRAY.shape[0]): label[label == colorDict_GR
【图像分割】图像分割中数据预处理 One-hot 编码的两种实现方式
lynnhgwang的博客
04-15 1万+
简要说明one-hot编码 这里只做简单解释，详细说明请查看相关资料。 假设我们有3个分类标签[1, 2, 3]，one-hot则将其编码为: 1 -> 1 0 0 2 -> 0 1 0 3 -> 0 0 1 即有多少个分类标签，就要用多少位来进行one-hot编码，这里的位数通常也就对应语义分割中网络模型最后输出的特征图（即预测图）的通道数（num_classes）。 语义......
图像分割 one hot
最新发布
08-23
- *2* [图像分割中的Mask，color table 和label ,one-hot代码详解](https://blog.csdn.net/weixin_38632246/article/details/103983447)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{...
【NLP】词向量：从word2vec、glove、ELMo到BERT详解！
Nieson2012的专栏
02-17 3840
目前，词向量（又叫词嵌入word embedding）已经成为NLP领域各种任务的必备一步，而且随着bert elmo,gpt等预训练模型的发展，词向量演变为知识表示方法，但其本质思想不变。学习各种词向量训练原理可以很好地掌握NLP各种方法。生成词向量的方法有很多种，本文重点介绍word2vec,glove和bert。 各种词向量的特点： One-hot：维度灾难 and 语义鸿沟；...
无所不能的Embedding 1 - Word2vec模型详解&代码实现
li123128的博客
08-02 1386
word2vec是google 2013年提出的，从大规模语料中训练词向量的模型，在许多场景中都有应用，信息提取相似度计算等等。也是从word2vec开始，embedding在各个领域的应用开始流行，所以拿word2vec来作为开篇再合适不过了。本文希望可以较全面的给出Word2vec从模型结构概述，推导，训练，和基于tf.estimator实现的具体细节。完整代码戳这里https://github.com/DSXiangLi/Embedding 模型概述 word2vec模型结构比较简单，是为了能够在
深度学习做图像分割的标记工具labelme
06-09
图像分割的标记工具Labelme，深度学习进行图像分割的标记工具。
多目标区域的图像分割算法
11-28
主要是对一张图像上的多目标区域进行切割的一系列算法，其中涉及彩色图像的阈值分割、图像二值化、双边滤波去噪、图像孔洞填充、面积阈值去噪、边缘颗粒去除、对比原图的遍历替换、目标区域的位置检测以及轮廓检测、最小外接矩形画框以及按照框的大小对框选目标进行切割。
label.png图像16位或24位转8位,用于Mask Rcnn训练(绝对可用)
07-13
(代码简洁, 绝对可用)使用python将24位或者16位图像转换为8位图像，用于labelme标记的MASK_RCNN进行样本训练, 自己的样本数据是24位就是用这代码进行转换成8位, 样本已训练成功.(16位亦可用).
Python 数据可视化详解
热门推荐
悦分享
10-18 2万+
数据可视化是一种将庞杂抽象的数据转化为直观易懂的图形的数据呈现技术，它能帮助我们快速把握数据的分布和规律，更加轻松地理解和探索信息。在当今这个信息爆炸的时代，数据可视化越来越受重视。
图像分类问题的label为啥是one_hot形式？
斯人若彩虹，遇上方知有！
12-14 2192
1、什么是one_hot? one-hot编码：是将类别变量转换为机器学习算法中容易处理的一种形式！ 看个例子便于理解： index fruit 1 apple 2 banana 3 strawberry 4 watermelon 一、one_hot的形式无法比较 如上表所示；如果我们预测的标签是：fruit列的四个水果，直接看的话，我们...
图像分割时的label设置
qq_43232545的博客
12-15 2692
若待分割的目标物的种类为n,那么label的值最大为n-1。 比如我要分割4类物体，那么我的label就应当设置为0，1，2，3。 设置的方法为： （1）label为单通道有值时，比如只是R通道有值，那么可以使用PIL中的.convert(‘P’)将label图片转为通过调色板与三通道RGB图像对应的单通道图。 （2）label为三个通道都有值的情况，比如目标物一为[128,0,0],目标物二为...
用于图像分割的卷积神经网络：从R-CNN到Mask R-CNN
杨德龙的专栏
11-05 1万+
文章来源： 机器之心 选自Athelas作者：Dhruv Parthasarathy机器之心编译参与：王宇欣、hustcxy、黄小天 卷积神经网络（CNN）的作用远不止分类那么简单！在本文中，我们将看到卷积神经网络（CNN）如何在图像实例分割任务中提升其结果。 自从 Alex Krizhevsky、Geoff Hinton 和 Ilya Sutskever 在 2012 年赢
多分类标签label 转换为 one-hot形式的二进制标签：
Hero_Never_GIVE_UP的博客
09-26 5439
方法1： a = ['A','B','A','C'] from sklearn.preprocessing import OneHotEncoder,LabelEncoder label_value = label_encoder.fit_transform(a) >>label_encoder.classes_ array(['A', 'B', 'C'], dtype='<U...
tf.one_hot 与 tf.boolean_mask 简单理解
shenjianhua005的专栏
07-01 385
one_hot( indices, depth, on_value=None, off_value=None, axis=None, dtype=None, name=None ) indices中的代表索引 depth代表每个维度的长度，比如axis=0，depth=4则代表行的长度为4，有四个元素 那indices每个元素则依次代表第一行第二行第三行...每行索引处的值为1。 如下代码所示: ``` y_hat = np.array([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5
评论 8
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