深度学习图像分割结果可视化工具MiniViewer

最新推荐文章于 2024-06-13 09:53:38 发布
置顶 最新推荐文章于 2024-06-13 09:53:38 发布
阅读量2.4k 收藏 16
点赞数 2
分类专栏： python 文章标签： python 可视化
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_43155243/article/details/106414200
版权

各位做医学图像分割的朋友，你有没有遇到过这种问题，每次模型的分割结果用numpy的npy文件保存，如下图。
分割结果和标签
image.npy 和 labels.npy分别是原图和分割标签（或模型预测的分割结果）
如何快速可视化分割结果呢，用notebook?
No, No, No 那样太麻烦了。
为了方便查看，我用PyQt5实现了一个查看小工具，分享给大家，如下图。

基础功能

效果图
然后用鼠标滚轴就可以进行浏览了。
以后应该会有更多的功能更新上去，敬请期待。

增加了新功能，可以用来对比分割结果和标签：

在这里插入图片描述

Github链接：https://github.com/imaginistLi/MiniViewer

imaginist233
关注
  • 2
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
图像分割过分割和欠分割_使用图割的图像分割
weixin_26752765的博客
09-07 2802
图像分割过分割和欠分割Image segmentation technology is an important research direction in the field of computer vision and an important part of image semantic understanding. Image segmentation refers to the proc...
分割结果可视化：怎么把标签mask轮廓显示在原图上
ZLInbao的博客
11-15 8149
记录可模型结果可视化出现的问题
这几款强大的 Python 数据探索工具，推荐收藏使用!
Python学习与数据挖掘
10-04 1302
对于 Python 数据分析领域，Pandas 绝对是中坚力量，那么围绕着这个工具，又衍生出了很多辅助工具，今天我们就一起来看看辅助 Pandas 来进行数据探索的几种工具首先我们先来看看我们的测试数据集import pandas df = pd.read_excel("2018_Sales_Total_v2.xlsx") df 对于上面的数据，如果使用 Excel，我们可以非常方便的进行简单的过滤、搜索等操作那么在不借助 Excel 的情况，我们有哪些好用的工具呢Java
探索数据之美：NPYViewer 1.28 —— NumPy数组可视化利器
最新发布
gitblog_00073的博客
06-13 453
探索数据之美：NPYViewer 1.28 —— NumPy数组可视化利器 项目地址:https://gitcode.com/csmailis/NPYViewer 在深度学习和数据分析领域，NumPy数组作为基础的数据结构，扮演着至关重要的角色。然而，面对大量的.npy文件时，如何快速直观地查看其内容并进行初步的分析呢？这就是NPYViewer 1.28 的价值所在。这款强大的图形用户界面工具，提...
PointNet++分割预测结果可视化
热门推荐
weixin_47142735的博客
12-12 1万+
目前网上对于PointNet++的预测结果可视化的资料比较少，一般都是直接可视化数据集。下面介绍一种我利用Matplotlib可视化预测的代码，希望能够对大家有所帮助。 原理： 简单阐述一下代码的原理，首先我们利用网络给出输入图像的预测结果，并存入为txt文件；然后利用Matplotlib读取txt文件，画出3d图像。 预测效果 由于3d图像无法直接显示，需要特定的软件才行，因此我们只能将它转换为2d图像报错，其结果如下 准备材料 1）网络模型。本代码是基于 pytorch版的PointNet++实现的，
自然图像分割结果可视化
凌空的桨
07-08 2125
主要用的模型用的是FCN，参考的是https://github.com/bat67/pytorch-FCN-easiest-demo 数据不再是包包，数据来自coco和open-image 通过我之前的博客可以看得到。 我主要是做了些改动，做了可视化。用coco和openimage做了人和摩托车的数据集，训练人训练了45个epoch，摩托车训练了95个epoch其实早就过拟合了。然后用两个模...
pytorch torchvision 图像分割 使用不同的颜色显示过分割与欠分割
今晚看星星的博客
05-08 2089
文章目录0 介绍1.1 背景1.2 流程2 获取TP，FP，FN3 获取背景4. GRAY图片转化为RGB5 图片融合 与 算法流程6 结果参考文章 0 介绍 在图像分割中，常常有过分割与欠分割问题，为了显示它们，可以在预测的基础上，使用不同的颜色标记 过分割：在混淆矩阵中即假正类(False positive, FP)，模型将不属于该类的像素预测成了该类，即预测错误。设预测的图像为prd_img, GT为mask_image, 在二分类中，FP的计算方式为 fp = (1 - mask_iamge
欠分割与过分割
轻吟木兰辞的博客
06-29 3939
欠分割与过分割含义——图像分割 我们在做图像分割时，分为我们需要的目标物和目标物意外的背景 分割后的图像中，前景目标物误分割为背景（即目标物没有分割完整）则为欠分割 反之，背景误分割为前景目标物则为过分割 ...
深度学习的3D可视化工具Zetane——windows版本
02-19
深度学习的3D可视化工具Zetane——windows版本
深度学习图像检测识别分割_1.pptx
01-26
卷积神经网络通过学习模块化模式和概念的层次结构来表示视觉世界 卷积神经网络学到的表示很容易可视化，卷积神经网络不是黑盒 可以将卷积神经网络学到的过滤器可视化，也可以将类激活热力图可视化。 本人上课课件...
语义分割结果可视化（原图+语义掩码+图例）
06-07
把语义分割结果可视化出来，要使用自定义颜色来区分不同的label，并绘制出图例并插入在图像右端
深度学习的3D可视化工具Zetane——Linux版本
02-19
深度学习在现代人工智能领域扮演...总之，Zetane是Linux环境下深度学习研究和教学的强大工具，其3D可视化功能对于提升模型理解和优化具有不可估量的价值。安装并掌握这款工具，无疑将增强你在深度学习领域的实践能力。
深度学习之图像分割数据集：卫星图像道路分割图像分割数据集（二值图像分割任务）
03-06
项目包含卫星图像道路分割图像分割数据集（二值图像分割任务），文件以文件夹格式...除此之外，包含一个图像分割的可视化脚本，随机提取一张图片，将其原始图片、GT图像、GT在原图蒙板的图像展示，并保存在当前目录下
图像分割结果可视化TP、FP、TN、FN
如果想成为中心，那么就到中心去吧。
03-06 2764
import numpy as np import os import gdalTools def binary_accuracy(pred, label): w, h = pred.shape result = np.zeros((w, h, 3)) pred = (pred >= 0.5) label = (label >= 0.5) TP = pred * label FP = pred * (1 - label) FN = .
【语义分割】——分割结果可视化
怡宝2号
08-09 3564
segmentation 核心代码 #pragma omp parallel for for (size_t i = 0; i < outputDim.d[1]; i++) { // h for (size_t j = 0; j < outputDim.d[2]; j++) { // w int idx = i * outputDim.d[2] + j; .
语义分割结果可视化（画目标轮廓线与最小包围框）
今天写代码了吗
12-07 2972
#文件夹预测 import math from unet import Unet from PIL import Image import numpy import os import os.path import numpy as np import cv2 unet = Unet() # 指明被遍历的文件夹 maindir = r'G:\\DL\\unet-keras\\unet-keras-master\\stone_predict\\ture\\stone' blenddir= r'G:\\DL\
使用Python和OpenCV批量可视化labelme分割标注结果
叶子的博客
09-26 1366
【原创声明】 本文为博主原创文章，未经博主允许不得转载。 更多算法总结请关注我的博客：https://blog.csdn.net/suiyingy。 在计算机视觉领域中，图像分割是一项重要的任务，它可以将图像中的不同物体或区域进行像素级别的分割。而在图像分割任务中，人工标注数据是非常关键的一环。本文将介绍如何使用Python和OpenCV库对labelme分割标注结果进行批量可视化处理。 在开始之前，我们需要安装以下依赖库： - OpenCV：用于图像处理和可视
深度学习之图像分割——入门篇
2301_79285641的博客
01-24 5006
图像分割（Image Segmentation）是一种计算机视觉领域的技术，旨在将图像分成若干个特定的、具有语义意义性质的区域。图像分割可以用于许多领域，包括目标检测、图像编辑、医学图像分析等。它是由图像处理到图像分析的关键步骤。
pytorch深度学习图像分割rgb可视化
09-17
PyTorch是一个流行的深度学习框架，用于训练神经网络模型。图像分割是计算机视觉领域的一个重要任务，其目标是将图像分割成具有不同语义含义的区域。 首先，要实现图像分割的RGB可视化，需要从PyTorch中加载已训练好的分割模型。通过使用预训练的模型，我们可以将其应用于新的图像。 然后，将待分割的图像输入到模型中进行推理。模型会根据其训练过程中学到的特征和权重，对图像进行分割操作。分割结果将得到一个概率图，其中每个像素点都对应一个概率值，代表属于不同语义类别的概率。 接下来，将概率图由PyTorch中的tensor格式转换为RGB图像格式。一种常见的方法是将概率图的每个像素点分配给具有最高概率值的语义类别，然后将其对应的RGB颜色设置为该像素点的颜色。 最后，将图像进行可视化展示。可以在原始图像上绘制分割结果，使每个区域以不同的颜色显示。也可以使用类似于Matplotlib的库创建一个新的窗口，并将图像与其对应的标签进行可视化展示。 总结来说，通过使用PyTorch深度学习框架，实现图像分割操作需要加载并使用预训练的模型，对待分割图像进行推理，并将输出的概率图转换为RGB图像格式。最后，可以使用各种可视化工具将分割结果呈现给用户，以便更直观地理解图像分割的效果。

“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 1
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