Halcon 深度学习之语义分割预处理案例解析

_风云_

已于 2022-11-11 15:31:34 修改

阅读量2.9k

点赞数 7

分类专栏： Halcon Halcon算子解析文章标签：深度学习人工智能计算机视觉

于 2022-10-29 20:27:38 首次发布

本文链接：https://blog.csdn.net/zhuifengyx/article/details/127538927

版权

Halcon算子解析同时被 2 个专栏收录

4 篇文章 0 订阅

订阅专栏

Halcon

2 篇文章 0 订阅

订阅专栏

语义分割预处理

文章目录

语义分割预处理
前言
一、预处理的目的是什么？
- 1、设置图像预处理的参数，此部分参数后续会写入到训练模型当中，具体参数信息如下图
- 2、得到语义分割的文件，用于后续的训练当中，语义分割可通过多种方式生成
二、案例分块解析
个人总结

前言

声明：本篇是个人针对于语义分割预处理案例的理解，有理解不到位或者错误的地方，还望各位能够给予指正，在此表示感谢！

例子名称： segment_pill_defects_deep_learning_1_preprocess

一、预处理的目的是什么？

1、设置图像预处理的参数，此部分参数后续会写入到训练模型当中，具体参数信息如下图

预处理文件的信息

2、得到语义分割的文件，用于后续的训练当中，语义分割可通过多种方式生成

①：导入原图文件夹，标注文件夹，类别信息等
~~②：通过Deep Learning Tool 工具创建的语义分割文件【内部的信息也跟①的一样】~~
②：通过Deep Learning Tool工具创建的语义分割分拣，所导出的数据集文件.hdict【内部的信息也跟①方式生成的一样】
语义分割文件参数具体如下图
语义分割文件的信息

二、案例分块解析

1.案例说明部分，可跳过

* 一 ：显示该例子介绍信息 
ShowExampleScreens := false
dev_example_init (ShowExampleScreens, ExampleInternals)
* 
if (ShowExampleScreens)
    * 
    * Introduction text of example series.
    dev_display_screen_introduction_part_1 (ExampleInternals)
    stop ()
    dev_display_screen_introduction_part_2 (ExampleInternals)
    stop ()
    * 
    * Explain semantic segmentation data.
    dev_display_screen_segmentation_data (ExampleInternals)
    stop ()
    * 
    * Explain splitting the dataset.
    dev_display_screen_split_dataset (ExampleInternals)
    stop ()
    * 
    * Explain preprocessing parameters.
    dev_display_screen_preprocessing_params (ExampleInternals)
    stop ()
    dev_display_screen_weight_images (ExampleInternals)
    stop ()
    * 
    * Explain the next steps.
    dev_display_screen_next_steps (ExampleInternals)
    stop ()
endif

2.设置深度学习模型文件的路径，其为相对路径的方式

* 原图像目录
ImageDir := 'pill'
* 分割图像存放文件夹，即标注的缺陷区域
SegmentationDir := 'labels/pill'
* 生成文件的根目录
ExampleDataDir := 'segment_pill_defects_data'
DataDirectoryBaseName := ExampleDataDir + '/dldataset_pill_'
* 模型预处理参数的文件名
PreprocessParamFileBaseName := '/dl_preprocess_param.hdict'

注：后续读取的算子
*读取分割模型数据集 （原图像目录，标注的缺陷目录，  标注类别），类别对应ID）         
* DLDataset 实际上Deep Lerning Tool 创建的标注文件.hdict
read_dl_dataset_segmentation (ImageDir, SegmentationDir, ClassNames, ClassIDs, [], [], [], DLDataset)

3.预处理参数的设置

* 缺陷标签类别：好的，脏污，断裂
ClassNames := ['good','contamination','crack']
* 相应的标注序号，即灰度值索引
ClassIDs := [0,1,2]
* 拆分数据集的百分比 训练百分之70  确认百分之15【即每学习一段时间后，从此部分抽出一些进行识别验证，判断学习的准确程度】
TrainingPercent := 70
ValidationPercent := 15
*设置预处理图片的相应信息， 图片尺寸，图片彩色—— 
*①、此处可对图片进行压缩，
*②、但后续图像进行推理的时候，也需要对原图进行相应的压缩，不然推理的缺陷区域会与原图缺陷区域对应不上。
*③、图片越大相应的硬件要求也高一些
ImageWidth := 400
ImageHeight := 400
ImageNumChannels := 3
* 设置图片灰度值的范围，范围是-127到128，即为byte，有疑问
ImageRangeMin := -127
ImageRangeMax := 128
*设置进一步预处理的相应参数
*正常化参数，暂不明其意
NormalizationType := 'none'
*域处理参数，full_domain 即所操作的范围为全图
DomainHandling := 'full_domain'
IgnoreClassIDs := []
SetBackgroundID := []
ClassIDsBackground := []

注：后续设置的算子
*创建预处理模型参数（语义分割，图像宽，高，通道数，最低灰度值，最高灰度值，正常化参数，操作区域范围，图像背景信息[],[],[],[],out 预处理参数句柄)
create_dl_preprocess_param ('segmentation', ImageWidth, ImageHeight, ImageNumChannels, ImageRangeMin, ImageRangeMax, NormalizationType, DomainHandling, IgnoreClassIDs, SetBackgroundID, ClassIDsBackground, [], DLPreprocessParam)
*

4.导出语义分割文件与保存预处理文件

*创建一个空字典
create_dict (GenParam)
*是否覆盖文件
set_dict_tuple (GenParam, 'overwrite_files', true)

*预处理模型数据集 导出语义分割文件 即DLDatasetFilename 
*将每张图片结合标注的信息，以及缺陷的权重，以hdict文件的格式记录，每张图片对应一个hdict【可不需要】，。。。。。。
preprocess_dl_dataset (DLDataset, DataDirectory, DLPreprocessParam, GenParam, DLDatasetFilename)

PreprocessParamFile := DataDirectory + PreprocessParamFileBaseName
*将当前的句柄保存下来，即保存当前预处理的相关参数
write_dict (DLPreprocessParam, PreprocessParamFile, [], [])

5.从训练集当中，随机抽取十张查看预处理效果

get_dict_tuple (DLDataset, 'samples', DatasetSamples)
*找出训练的数据集
find_dl_samples (DatasetSamples, 'split', 'train', 'match', SampleIndices)
*将数组打散随机，然后将打散后的数组取前十个
tuple_shuffle (SampleIndices, ShuffledIndices)
read_dl_samples (DLDataset, ShuffledIndices[0:9], DLSampleBatchDisplay)
* 
create_dict (WindowHandleDict)
for Index := 0 to |DLSampleBatchDisplay| - 1 by 1
    * Loop over samples in DLSampleBatchDisplay.
    dev_display_dl_data (DLSampleBatchDisplay[Index], [], DLDataset, ['image','segmentation_image_ground_truth'], [], WindowHandleDict)
    get_dict_tuple (WindowHandleDict, 'segmentation_image_ground_truth', WindowHandleImage)
    dev_set_window (WindowHandleImage[1])
    Text := 'Press Run (F5) to continue'
    dev_disp_text (Text, 'window', 400, 40, 'black', [], [])
    stop ()
endfor

6.附个人注释的代码

* 
* This example is part of a series of examples, which summarizes
* the workflow for DL segmentation. It uses the MVTec pill dataset.
* 
* The four parts are:
* 1. Dataset preprocessing.    预处理：数据集预处理
* 2. Training of the model.    训练：模型的训练
* 3. Evaluation of the trained model.   评估：对训练模型的评估
* 4. Inference on new images.         推理：对新图像的推断
* 
* 第一部分：数据预处理
* 
dev_update_off ()
* 一 ：显示该例子介绍信息 
ShowExampleScreens := false
dev_example_init (ShowExampleScreens, ExampleInternals)
* 
if (ShowExampleScreens)
    * 
    * Introduction text of example series.
    dev_display_screen_introduction_part_1 (ExampleInternals)
    stop ()
    dev_display_screen_introduction_part_2 (ExampleInternals)
    stop ()
    * 
    * Explain semantic segmentation data.
    dev_display_screen_segmentation_data (ExampleInternals)
    stop ()
    * 
    * Explain splitting the dataset.
    dev_display_screen_split_dataset (ExampleInternals)
    stop ()
    * 
    * Explain preprocessing parameters.
    dev_display_screen_preprocessing_params (ExampleInternals)
    stop ()
    dev_display_screen_weight_images (ExampleInternals)
    stop ()
    * 
    * Explain the next steps.
    dev_display_screen_next_steps (ExampleInternals)
    stop ()
endif



*二：设置深度学习模型文件的路径，其为相对路径的方式
* 原图像目录
ImageDir := 'pill'
* 分割图像存放文件夹，即标注的缺陷区域
SegmentationDir := 'labels/pill'
* 生成文件的根目录
ExampleDataDir := 'segment_pill_defects_data'
DataDirectoryBaseName := ExampleDataDir + '/dldataset_pill_'
* 模型预处理参数的文件名
PreprocessParamFileBaseName := '/dl_preprocess_param.hdict'


* 三：设置训练的相应参数
* 缺陷标签类别：好的，脏污，断裂
ClassNames := ['good','contamination','crack']
* 相应的标注序号，即灰度值索引
ClassIDs := [0,1,2]
* 拆分数据集的百分比 训练百分之70  确认百分之15【即每学习一段时间后，从此部分抽出一些进行识别验证，判断学习的准确程度】
TrainingPercent := 70
ValidationPercent := 15
*设置预处理图片的相应信息， 图片尺寸，图片彩色—— 
*①、此处可对图片进行压缩，
*②、但后续图像进行推理的时候，也需要对原图进行相应的压缩，不然推理的缺陷区域会与原图缺陷区域对应不上。
*③、图片越大相应的硬件要求也高一些
ImageWidth := 400
ImageHeight := 400
ImageNumChannels := 3
* 设置图片灰度值的范围，范围是-127到128，即为byte，有疑问
ImageRangeMin := -127
ImageRangeMax := 128
*设置进一步预处理的相应参数
*正常化参数，暂不明其意
NormalizationType := 'none'
*域处理参数，full_domain 即所操作的范围为全图
DomainHandling := 'full_domain'
IgnoreClassIDs := []
SetBackgroundID := []
ClassIDsBackground := []
* 
*设置一个随机种子，不设置的话会已当前时间段生成一个随机种子，具体干嘛的暂无感触
SeedRand := 42
set_system ('seed_rand', SeedRand)


*四：读取分割数据集，并设置相应好坏种类的比例 
* Read the dataset.   
*读取分割模型数据集          （原图像目录，标注的缺陷目录，  标注类别），类别对应ID），          DLDataset 分割数据集的句柄，记录着传进来的各种参数信息
* DLDataset 实际上Deep Lerning Tool 创建的标注文件.hdict
read_dl_dataset_segmentation (ImageDir, SegmentationDir, ClassNames, ClassIDs, [], [], [], DLDataset)
*生成拆分数据集， 训练的70   确认的15，要额外设置
split_dl_dataset (DLDataset, TrainingPercent, ValidationPercent, [])


*判断一下相应路径是否存在，如果不存在的话，则新建路径
file_exists (ExampleDataDir, FileExists)
if (not FileExists)
    *后续会在此目录下生成每张图片的hdict文件，里面记录着图片的尺寸信息，分割区域，推断区域等，详情见图
    make_dir (ExampleDataDir)
endif

*创建预处理模型参数（语义分割，图像宽，高，通道数，最低灰度值，最高灰度值，正常化参数，操作区域范围，图像背景信息[],[],[],[],out 预处理参数句柄)
create_dl_preprocess_param ('segmentation', ImageWidth, ImageHeight, ImageNumChannels, ImageRangeMin, ImageRangeMax, NormalizationType, DomainHandling, IgnoreClassIDs, SetBackgroundID, ClassIDsBackground, [], DLPreprocessParam)
* 
* Dataset directory for any outputs written by preprocess_dl_dataset.
DataDirectory := DataDirectoryBaseName + ImageWidth + 'x' + ImageHeight
* 
*创建一个空字典
create_dict (GenParam)
*是否覆盖文件
set_dict_tuple (GenParam, 'overwrite_files', true)
*预处理模型数据集 生成语义分割文件 即DLDatasetFilename 
*将每张图片结合标注的信息，以及缺陷的权重，以hdict文件的格式记录，每张图片对应一个hdict【可不需要】，。。。。。。
preprocess_dl_dataset (DLDataset, DataDirectory, DLPreprocessParam, GenParam, DLDatasetFilename)
* 
* Store preprocess params separately in order to use it e.g. during inference.
PreprocessParamFile := DataDirectory + PreprocessParamFileBaseName
*将当前的句柄保存下来，即保存当前预处理的相关参数
write_dict (DLPreprocessParam, PreprocessParamFile, [], [])

*五： 验证，实时反馈
get_dict_tuple (DLDataset, 'samples', DatasetSamples)
*找出训练的数据集
find_dl_samples (DatasetSamples, 'split', 'train', 'match', SampleIndices)
*将数组打散随机，然后将打散后的数组取前十个
tuple_shuffle (SampleIndices, ShuffledIndices)
read_dl_samples (DLDataset, ShuffledIndices[0:9], DLSampleBatchDisplay)
* 
create_dict (WindowHandleDict)
for Index := 0 to |DLSampleBatchDisplay| - 1 by 1
    * Loop over samples in DLSampleBatchDisplay.
    dev_display_dl_data (DLSampleBatchDisplay[Index], [], DLDataset, ['image','segmentation_image_ground_truth'], [], WindowHandleDict)
    get_dict_tuple (WindowHandleDict, 'segmentation_image_ground_truth', WindowHandleImage)
    dev_set_window (WindowHandleImage[1])
    Text := 'Press Run (F5) to continue'
    dev_disp_text (Text, 'window', 400, 40, 'black', [], [])
    stop ()
endfor
* 
* Close windows that have been used for visualization.
dev_close_window_dict (WindowHandleDict)
* 
if (ShowExampleScreens)
    * Hint to the DL segmentation training process example.
    dev_display_screen_next_example (ExampleInternals)
    stop ()
    * Close example windows.
    dev_close_example_windows (ExampleInternals)
endif

个人总结

预处理这块的代码量虽然很多，但大多数是用于介绍等，实际上，当有标注好的文件，在设置上图像的一些信息
如：图像宽度，高度，通道，训练的模式【CPU || GPU】训练集与验证集的比例，缺陷放大的权重参数，即可完成图像预处理
个人也是刚刚接触的深度学习这块，总结不到位或者理解错误的地方，希望各位能够给予指正，再次感谢大家！