labelme标注卫星图像语义分割图，让紧邻的两个区域没有重叠的标注方法

原创

已于 2023-04-19 15:38:15 修改 · 1.9k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#pycharm

于 2022-03-16 18:48:16 首次发布

本文介绍了使用labelme工具如何精确标注卫星图像，通过复制区域、删除点并创建新点的方式，确保紧邻区域的边界不重叠，实现精细化的语义分割标注。

1：首先画出一个区域

2、点击左侧工具栏的“edit polygon”

3、在所选区域上右键，选择“Duplicate Polygons”，这一项操作会复制出一个相同大小并且同样位置的区域。

4、鼠标移动到绿色区域左上角这个点，并且单击这个点，然后再按backspace健，这样的操作就会把这个点删除，只剩下一条线。

5、（为了演示，我把最开始创建的区域挪开了，可以见到下面的一条线，这条线就是复制完的区域删除点后剩的那条线，这条线和原来区域下面的线是完全重合的）

6、然后在这条线上单击，就会生成一个新的点，拖动这个点就会生成一个新的区域。由此，拥有公共边的两个紧邻的区域就制作完成了！

转载说明出处

--@pzico

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

pzico

关注关注

1
点赞
踩
4

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

labelme2voc 标签重叠/覆盖问题

qq_41413211的博客

09-12

1094

使用labelme自带的 labelme2voc.py转换voc数据集时可能标签重叠。

图像标注--语义分割

需要远程指导仿真实验、代码有问题的，请后台私信或者关注公众号

06-11

2357

图像语义分割（semantic segmentation），从字面意思上理解就是让计算机根据图像的语义来进行分割。语义在语音识别中指的是语音的意思，在图像领域，语义指的是图像的内容，对图片意思的理解。目前语义分割在地理信息系统、无人车驾驶、医疗影像分析、机器人等领域有显著应用。

1 条评论您还未登录，请先登录后发表或查看评论

使用Keras基于RCNN类模型的卫星/遥感地图图像语义分割

aohun0743的博客

08-02

5765

遥感数据集 1. UC Merced Land-Use Data Set 图像像素大小为256*256，总包含21类场景图像，每一类有100张，共2100张。 http://weegee.vision.ucmerced.edu/datasets/landuse.html 2. WHU-RS19 Data Set 图像像素大小为600*600，总包含19类场景图像，每一类大概...

Python遥感影像深度学习指南(3)-卫星图像语义分割之用PyTorch创建一个简单的U-Net 模型

gis收藏家的博客

12-25

1804

下图来自 "卷积神经网络实现了从高分辨率无人机图像中高效、准确、精细地分割植物物种和群落"的论文，我们要创建的U-Net模型与其类似，其中我们有 3 个压缩块contracting blocks和 3 个上采样块（也叫扩展块）upsampling blocks。让我们来详细了解一下。U-Net 架构的第一部分是一组具有池化功能的卷积，它可以缩小图像分辨率（因此被称为压缩块），并创建额外的层来从原始图像中提取 "特征"。

批量对语义分割的图片和mask同时重叠分块，并处理不能整除的patch

weixin_43688831的博客

08-27

1718

上一篇参考其他博主的代码，实现了批量crop图片和mask，但是没有对图片大小不能整除size的情况进行处理，所以进行改进。加入了长宽的判断条件，使用opencv对大小不满足设定的size的patch进行填充，最后得到相同size的patch，主要使用cv2.copyMakeBorder方法，如果需要其他填充，可以查查官方文档代码如下： import cv2 import math import os import numpy as np from pathlib import Path file_

robosat：航空和卫星图像上的语义分割。提取特征，例如：建筑物，停车场，道路，水，云

02-04

注意：Mapbox不再主动维护Robosat。看到。主要开发人员（，）不再使用Mapbox。机器人卫星用于从航空和卫星图像中提取特征的通用生态系统柏林航空影像，分割蒙版，建筑物轮廓，简化的GeoJSON多边形目录总览 RoboSat是用Python 3编写的端到端管道，用于从航空和卫星图像中提取特征。要素可以是图像中视觉上可区分的任何事物，例如：建筑物，停车场，道路或汽车。看一下，我们首先介绍了RoboSat并显示了一些结果，我们根据坦桑尼亚的无人机图像提取建筑物的占地面积，我们总结了v1.1版本，我们在其中总结了v1.2版本，我们在德国巴伐利亚州的航空

精选资源

Labelme 是一个开源的图像标注工具，它被广泛应用于图像标注和语义分割领域

06-07

Labelme 是一个开源的图像标注工具，它被广泛应用于图像标注和语义分割领域。这个工具提供了一个平台，允许用户手动标注图像并创建标签数据，这些数据可以用于训练机器学习模型或进行计算机视觉研究。Labelme 支持...

图像标注之语义分割

需要远程指导仿真实验、代码有问题的，请后台私信或者关注公众号

06-23

1059

通过图像标注工具，将给与的图片中的景象进行标注。

精选资源

茶叶语义分割数据集，labelme标注JSON格式

09-27

在技术层面上，labelme是一个流行的图像标注工具，它允许用户为图像中的特定对象绘制多边形区域，并为这些区域分配相应的标签。这种手动标注方法虽然耗时耗力，但是能够提供比其他自动化标注方法更准确的结果，特别...

labelme标注方法

hongliyu_lvliyu的博客

06-08

1217

再点击 open,进行下一张，重复以上步骤。此时可以看到前一张的json文件。选择左上角 file—save as （或者ctrl+shift+s）在图片上单击鼠标右键，选择第一个create polygons。–文件名不变，保存类型默认为.json，选择保存。点击OK后，闭环框会变色，且右侧会出现标签名。按顺序选择一张图片，并open。

【亲测免费】推荐文章：轻量级Light UNet——卫星图像分割利器

gitblog_00017的博客

06-18

834

卫星图像分割--Effective Use of Dilated Convolutions for Segmenting Small Object Instances

AI小作坊的博客

09-07

4147

Effective Use of Dilated Convolutions for Segmenting Small Object Instances in Remote Sensing Imagery https://arxiv.org/abs/1709.00179针对卫星图像中的小目标分割问题，本文从 dilated convolution 的有效使用给出了解决方法，主要是先 increa

语义分割之数据标注

最新发布

weixin_42146230的博客

05-22

884

Python-RoboSat 是一个开源工具，专门设计用于处理航空和卫星图像数据。它支持先进的语义分割技术，能够从复杂的图像中准确提取有用信息，例如建筑物、停车场、道路和水域等。随着遥感技术的不断发展和大量地理空间数据的积累，Python-RoboSat 正在成为遥感图像处理领域的关键工具。在遥感图像处理中，特征提取是理解图像内容并从中识别出有价值信息的关键步骤。特征可以是简单的像素值，也可以是复杂的图像结构，如边缘、角点、纹理或对象的形状描述符。

利用Torchvision进行语义分割

@bangbang的博客

11-30

5146

1. 什么是语义分割? 语义分割是一种将图像中的每个像素划分为一类的图像分析过程。这与人类在默认情况下一直在做的事情类似。当我们看到某样东西时，我们下意识地试图将图像的哪一部分“分割”成一个预定义的类/标签/类别。上图显示了语义分割的结果。mask中的人用红色像素表示，草是浅绿色，树是深绿色，天空是蓝色。我们可以通过简单地检查mask在该像素处是否为红色来判断哪个像素属于“person”类，但是我们不能判断两个红色的mask像素是属于同一个人还是属于不同的人。 2. 语义分割的应用 语义分割最常用的

遥感图像语义分割——从原始图像开始制作自己的数据集(以高分二号为例)

GISer群

08-11

1万+

遥感图像语义分割——从原始图像开始制作自己的数据集(以高分二号为例) 文章目录遥感图像语义分割——从原始图像开始制作自己的数据集(以高分二号为例)1.遥感影像获取2.遥感数据预处理（影像融合）3.遥感影像批量裁剪4.栅格格式影像转JPG格式5.用labelme制作图像标签6.制作txt文档（统计训练集、验证集的图片名）批量修改图片的文件名读取文件名到txt文档这篇文章分享一下遥感影像语义分割数据集的制作。从原始图像开始，经过影像融合等一系列步骤，生成自己的原图+标签形式的数据集。 1.遥感影像获取

图像语义分割标注工具labelme的使用及其转化为图像

Sugar14的博客

12-21

1542

图像语义分割标注工具labelme的使用及其转化为图像

【Libtorch】语义分割部署踩坑记录（目前包括resize产生新的值、标注不同类别时重叠等问题，后续不断更新）

qq_42944019的博客

08-03

3489

本博客给做语义分割、使用Libtorch的计算机视觉工程师提供相关的经验或者教训，方便更高效开发。

数据标注方法（图像实例分割）

一千零一夜的博客

04-23

1万+

今天学了下图像数据标注，深感辛苦。深度学习今天的成功，离不开背后无数辛劳的数据标注人员。深度学习以后应该会向着无监督学习的方向发展。工具：ps软件。分类标准： ps常用快捷键： Adobe Photoshop CS2常用快捷键： ESC 取消当前命令 Alt+鼠标滚轮放大（小）图片空格+鼠标左键移动图片 Ctrl+D 取消选区 Ctrl+Z ...

labelme 让紧邻的两个区域没有重叠的标注方法

01-19

### LabelMe防止相邻区域重叠的标注技巧在使用LabelMe进行图像标注过程中，确保相邻区域不发生重叠是一个重要的需求。虽然LabelMe本身并未提供专门用于阻止区域重叠的功能，但可以通过一些策略和技术手段来间接实现这一目的。 #### 使用不同的颜色区分不同类别的对象通过为不同类型的对象分配独特的颜色，在视觉上可以更容易地区分各个对象之间的边界。这有助于标注者更加谨慎地绘制多边形轮廓，从而减少无意间的重叠现象[^1]。 #### 利用手动编辑工具修正重叠部分当发现两个或多个人工标记之间存在交叉覆盖的情况时，可利用软件中的橡皮擦、剪刀等手动修改工具去除不必要的交集部位，并重新定义清晰明确的新边缘线。 #### 应用高级插件或脚本自动化处理对于大规模项目而言，考虑开发自定义Python脚本来自动检测并解决潜在冲突也是一种可行方案。例如编写一段代码遍历所有已创建形状文件(.json)，检查是否有任何一对顶点集合相交；一旦发现问题，则提示用户进一步确认或者尝试自动调整位置关系以消除干扰[^3]。 ```python import json from shapely.geometry import Polygon, MultiPolygon def check_overlap(json_file_path): with open(json_file_path) as f: data = json.load(f) polygons = [] for shape in data['shapes']: points = [(point[0], point[1]) for point in shape["points"]] polygon = Polygon(points) polygons.append(polygon) multi_polygon = MultiPolygon(polygons) if not multi_polygon.is_valid: print("There are overlapping regions.") return False print("No overlaps detected.") return True ```