5行Python代码实现图像分割的步骤详解
5星 · 超过95%的资源 96 浏览量
2020-12-17
12:23:43
上传
评论 2
收藏 56KB PDF 举报 
5行行Python代码实现图像分割的步骤详解代码实现图像分割的步骤详解
众所周知图像是由若干有意义的像素组成的，图像分割作为计算机视觉的基础，对具有现有目标和较精确边界的图像进行分
割，实现在图像像素级别上的分类任务。
图像分割可分为语义分割和实例分割两类，区别如下：
语义分割：将图像中每个像素赋予一个类别标签，用不同的颜色来表示；
实例分割：无需对每个像素进行标记，只需要找到感兴趣物体的边缘轮廓。
图像分割通常应用如下所示：
专业检测：应用于专业场景的图像分析，比如在卫星图像中识别建筑、道路、森林，或在医学图像中定位病灶、测量面积等；
智能交通：识别道路信息，包括车道标记、交通标志等。
本博客主要通过PixelLib模块帮助用户快速便捷实现图像分割。
1、环境部署、环境部署
在进行项目设计前，需要安装所需的第三方库文件：TensorFlow、Pillow、OpenCV-Python、scikit-image和PixelLib，指令如
下所示：
pip install tensorflow
pip install pillow
pip install opencv-python
pip install scikit-image
pip install pixellib
2、语义分割、语义分割
PixelLib使用Deeplabv3+框架实现语义分割，在pascalvoc数据集上训练的Xception模型用于语义分割。
第1步：导入PixelLib模块，代码如下所示：
import pixellib
from pixellib.semantic import semantic_segmentation
第2步：创建用于执行语义分割的类实例，代码如下所示：
segment_image = semantic_segmentation()
第3步：调用load_pascalvoc_model()函数加载在Pascal voc上训练的Xception模型，代码如下所示：
segment_image.load_pascalvoc_model("deeplabv3_xception_tf_dim_ordering_tf_kernels.h5")
第4步：调用segmentAsPascalvoc()函数对图像进行分割，并且分割采用pascalvoc的颜色格式进行。此函数有两个必选参
数：
path_to_image：分割的目标图像的路径；
path_to_output_image：保存分割后输出图像的路径。
将路径替换为自己环境路径即可，代码如下所示：
segment_image.segmentAsPascalvoc("path_to_image", output_image_name = "path_to_output_image")
上传图像，语义分割后效果如下所示：
也可以生成了带有分段叠加层的图像，只需要将segmentAsPascalvoc()函数的overlay属性设置为True，代码如下所示：
segment_image.segmentAsPascalvoc("sample1.jpg", output_image_name = "image_new.jpg", overlay = True)
分段叠加层效果如下所示：
3、即时分割、即时分割
评论5
最新资源