做语义分割，同时批量crop、合并图片和mask

最新推荐文章于 2023-07-02 02:36:15 发布

敲壳

最新推荐文章于 2023-07-02 02:36:15 发布

阅读量2.2k

点赞数

分类专栏： python 语义分割文章标签： python opencv 深度学习

本文链接：https://blog.csdn.net/weixin_43688831/article/details/107940465

版权

该博客介绍了如何批量处理语义分割的原图和mask，进行指定大小的裁剪，对小于512像素的块进行丢弃以避免合并时的白缝问题。采用了overlap-tile策略进行数据增强，但注意到直接在模型中取样内存消耗大且速度慢，因此选择预先处理数据进行训练。作者希望得到深度学习领域的专家建议。

摘要由CSDN通过智能技术生成

参考了其他博主的代码进行修改

改为批量将分割的原图和mask同时裁剪为指定大小，
对于h和w小于512的块进行舍弃，所以之后直接合并时易出现白缝

合并的话把后半部分的注释取消，把分块部分注释即可

参照unet作者使用的overlap-tile策略，重叠分块数据更多，然后对模型在边缘信息的学习应该有所帮助
，但是直接在模型中取样很吃内存、而且很慢，所以我觉得直接分好再输入训练好一些，有大佬的话，请指点一下，代码在下一篇：

import numpy as np
import cv2
import os
"""
输入：图片路径(path+filename)，裁剪获得小图片的列数、行数（也即宽、高）
"""
def crop_one_picture(path,path_gt,filename,cols,rows):
    img = cv2.imread(path + filename,1)##读取彩色图像，图像的透明度(alpha通道)被忽略，默认参数;灰度图像;读取原始图像，包括alpha通道;可以用1，0，-1来表示
    img_gt = cv2.imread(path_gt + filename,0) #gt图片以原本通道读取
    

    sum_rows=img.shape[0]   #高度
    sum_cols=img.shape[1]    #宽度
    save_path = path+"crop{0}_{1}".format(cols,rows)  #保存的路径
    save_path_gt <