【opencv】dnn示例-segmentation.cpp 通过深度学习模型对图像进行实时语义分割

模型下载地址：

http://dl.caffe.berkeleyvision.org/

配置文件下载：

https://github.com/opencv/opencv_extra/tree/4.x/testdata/dnn

该段代码是一个利用深度学习进行语义分割的OpenCV应用实例。下面将详细解释代码的功能和方法。

引入库

引入了一些必要的C++和OpenCV库，其中包括文件流、字符串处理、深度学习网络（dnn模块）、图像处理和高层图形界面。

参数字符串

定义了一些命令行参数，用于获取模型信息、图像处理以及设备选择等配置。

自定义函数

定义了showLegend和colorizeSegmentation两个函数，用于显示分类的图例及为分割结果上色。

主函数main

主函数执行以下主要步骤：

• 解析命令行参数：使用OpenCV的CommandLineParser来获取命令行输入的参数。

• 读取模型和配置：根据参数从文件中读取深度学习模型及其配置。

• 读取类别和颜色信息：如果提供了类名和颜色的文件路径，则从文件中读取这些信息。

• 设置网络：将模型和配置设置到网络中，并且选择计算后端和目标设备。

• 处理视频帧或图片：循环从视频流或文件中读取帧，并对其进行处理：

• 将帧转换为模型输入所需的blob。

• 将blob作为网络的输入。

• 进行网络前向传播，获取分割的score。

• 使用colorizeSegmentation函数将分割的score转换成彩色分割图。

• 结合原始帧和彩色分割图，显示在用户界面上。

• 如果有类别信息，显示图例窗口。

图像分割和上色

colorizeSegmentation函数计算每个像素点的最大得分类别，并将对应颜色填充到分割图中。

showLegend函数在独立窗口中显示每个类别及其对应颜色的图例。

运行流程

用户通过命令行运行程序，可以选择加载本地视频文件、图像文件或打开摄像头。程序会连续读取帧，并将每一帧通过神经网络进行分析，实现实时的图像分割功能。分割结果彩色化后与原图结合，展现给用户。

总的来说，这段代码实现了通过深度学习模型对图像进行实时语义分割，并通过OpenCV的GUI功能将结果呈现给用户。它可以很好地适用于视频流分析，如自动驾驶车辆的视觉系统中实时理解道路情况。

#include <fstream>  // 包含fstream库，用于文件的读写操作
#include <sstream>  // 包含sstream库，用于字符串流的操作


#include <opencv2/dnn.hpp>             // 包含OpenCV深度神经网络(dnn)部分的头文件
#include <opencv2/imgproc.hpp>         // 包含OpenCV图像处理部分的头文件
#include <opencv2/highgui.hpp>         // 包含OpenCV用户界面部分的头文件


#include "common.hpp"  // 包含示例代码中定义的通用函数和变量


// 声明并初始化一个存储命令行参数的字符串
std::string keys =
    "{ help  h     | | Print help message. }" // 帮助信息
    "{ @alias      |fcn8s | An alias name of model to extract preprocessing parameters from models.yml file. }"