8--语义分割

pepsi_w

已于 2022-11-22 11:38:44 修改

阅读量680

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签：人工智能

于 2022-08-30 17:22:47 首次发布

本文链接：https://blog.youkuaiyun.com/wangyumei0916/article/details/126603994

深度学习专栏收录该内容

35 篇文章

订阅专栏

本文介绍了语义分割的基本概念，包括其与目标检测的区别，以及图像分割和实例分割的不同之处。详细解析了PascalVOC2012数据集的构成，并展示了如何读取和预处理数据，最后给出了自定义语义分割数据集类的具体实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

语义分割关注于如何将图像分割成属于不同语义类别的区域（即将一类事务标注为同一颜色），与目标检测不同的，语义分割识别的是像素级的，所有语义分割标注的像素级框比目标检测更加贴合物体。如下图，右图为左边图片的语义分割的标签。

6.1 图像分割和实例分割的区别：

图像分割将图像划分为若干组成区域，这类问题的方法通常利用图像中像素之间的相关性。它在训练时不需要有关图像像素的标签信息，在预测时也无法保证分割出的区域具有我们希望得到的语义。以上图中左边图像作为输入，图像分割可能会将狗分为两个区域：一个覆盖以黑色为主的嘴和眼睛，另一个覆盖以黄色为主的其余部分身体。

实例分割也叫同时检测并分割，它研究如何识别图像中各个目标实例的像素级区域。与语义分割不同，实例分割不仅需要区分语义，还要区分不同的目标实例。例如，如果图像中有两条狗，则实例分割需要区分像素属于的两条狗中的哪一条。

6.2 Pascal VOC2012 语义分割数据集

该数据集中的ImageSets/Segmentation路径包含用于训练和测试样本的文本文件，而JPEGImages和SegmentationClass路径分别存储着每个示例的输入图像和标签。此处的标签也采用图像格式，其尺寸和它所标注的输入图像的尺寸相同。此外，标签中颜色相同的像素属于同一个语义类别。

将所有输入的图像和标签读入内存，并对前6个图像以及标签进行展示：

def read_voc_images(voc_dir, is_train=True):
    """读取所有VOC图像并标注"""
    txt_fname = os.path.join(voc_dir, 'ImageSets', 'Segmentation',
                             'train.txt' if is_train else 'val.txt')
    mode = torchvision.io.image.ImageReadMode.RGB
    with open(txt_fname, 'r') as f:
        images = f.read().split()
    features, labels = [], []
    for i, fname in enumerate(images):
        features.append(torchvision.io.read_image(os.path.join(
            voc_dir, 'JPEGImages', f'{fname}.jpg')))
        labels.append(torchvision.io.read_image(os.path.join(
            voc_dir, 'SegmentationClass' ,f'{fname}.png'), mode))
    return features, labels

train_features, train_labels = read_voc_images(voc_dir, True)
#画出前6个图像以及其标签
n = 6
imgs = train_features[0:n] + train_labels[0:n]
imgs = [img.permute(1,2,0) for img in imgs]
d2l.show_images(imgs,2,n,scale=2)

运行结果如下，可以看见对于不同类别的物体标签中的颜色是不一样的。

来对数据中RGB数值以及类别进行一个映射：

#给出所有的颜色以及类别
VOC_COLORMAP = [[0, 0, 0], [128, 0, 0], [0, 128, 0], [128, 128, 0],
                [0, 0, 128], [128, 0, 128], [0, 128, 128], [128, 128, 128],
                [64, 0, 0], [192, 0, 0], [64, 128, 0], [192, 128, 0],
                [64, 0, 128], [192, 0, 128], [64, 128, 128], [192, 128, 128],
                [0, 64, 0], [128, 64, 0], [0, 192, 0], [128, 192, 0],
                [0, 64, 128]]

#@save
VOC_CLASSES = ['background', 'aeroplane', 'bicycle', 'bird', 'boat',
               'bottle', 'bus', 'car', 'cat', 'chair', 'cow',
               'diningtable', 'dog', 'horse', 'motorbike', 'person',
               'potted plant', 'sheep', 'sofa', 'train', 'tv/monitor']

def voc_colormap2label():
    """构建从RGB到VOC类别索引的映射"""
    colormap2label = torch.zeros(256 ** 3, dtype=torch.long)
    for i, colormap in enumerate(VOC_COLORMAP):
        colormap2label[
            (colormap[0] * 256 + colormap[1]) * 256 + colormap[2]] = i
    return colormap2label

#@save
def voc_label_indices(colormap, colormap2label):
    """将VOC标签中的RGB值映射到它们的类别索引"""
    colormap = colormap.permute(1, 2, 0).numpy().astype('int32')
    idx = ((colormap[:, :, 0] * 256 + colormap[:, :, 1]) * 256
           + colormap[:, :, 2])
    return colormap2label[idx]

6.3 语义分割的数据预处理

在语义分割中由于标签也是图像，如果直接对原始数据进行缩放来使得其符合输入模型的形状，需要将预测的像素类别重新映射回原始尺寸的输入图像，这将导致类别的不准确（例如一个红色的类别拉伸后变成了粉红色就会导致类别的变化）。所以将图像裁剪为固定尺寸，并将标签也进行相应的裁剪。

def voc_rand_crop(features,label,height,width):
  """随机裁剪特征和标签图像"""
  #这里由于label也是图片形式，所有对图片进行随机剪裁的同时也要对label的图片进行相同的剪裁
  rect = torchvision.transforms.RandomCrop.get_params(
      features,(height,width))
  feature = torchvision.transforms.functional.crop(features,*rect)
  label = torchvision.transforms.functional.crop(label,*rect)
  return feature,label

imgs = []
for _ in range(n):
  imgs += voc_rand_crop(train_features[5],train_labels[5],200,300)
imgs = [img.permute(1,2,0) for img in imgs]
d2l.show_images(imgs[::2]+imgs[1::2],2,n)

运行结果如下，可以看见随着原始图像被裁剪，对应的标签也会做出同样的裁剪。

6.4自定义语义分割数据集类

通过继承高级API提供的Dataset类，自定义了一个语义分割数据集类VOCSegDataset。通过实现__getitem__函数，我们可以任意访问数据集中索引为idx的输入图像及其每个像素的类别索引。由于数据集中有些图像的尺寸可能小于随机裁剪所指定的输出尺寸，这些样本可以通过自定义的filter函数移除掉。此外，我们还定义了normalize_image函数，从而对输入图像的RGB三个通道的值分别做标准化。

class VOCSegDataset(torch.utils.data.Dataset):
    """一个用于加载VOC数据集的自定义数据集"""

    def __init__(self, is_train, crop_size, voc_dir):
        self.transform = torchvision.transforms.Normalize(
            mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
        self.crop_size = crop_size
        features, labels = read_voc_images(voc_dir, is_train=is_train)
        self.features = [self.normalize_image(feature)
                         for feature in self.filter(features)]
        self.labels = self.filter(labels)
        self.colormap2label = voc_colormap2label()
        print('read ' + str(len(self.features)) + ' examples')

    def normalize_image(self, img):
        return self.transform(img.float() / 255)

    def filter(self, imgs):
        return [img for img in imgs if (
            img.shape[1] >= self.crop_size[0] and
            img.shape[2] >= self.crop_size[1])]

    def __getitem__(self, idx):
        feature, label = voc_rand_crop(self.features[idx], self.labels[idx],
                                       *self.crop_size)
        return (feature, voc_label_indices(label, self.colormap2label))

    def __len__(self):
        return len(self.features)

6.5 构造训练集和测试集的数据迭代器

def load_data_voc(batch_size, crop_size):
    """加载VOC语义分割数据集"""
    voc_dir = d2l.download_extract('voc2012', os.path.join(
        'VOCdevkit', 'VOC2012'))
    num_workers = d2l.get_dataloader_workers()
    train_iter = torch.utils.data.DataLoader(
        VOCSegDataset(True, crop_size, voc_dir), batch_size,
        shuffle=True, drop_last=True, num_workers=num_workers)
    test_iter = torch.utils.data.DataLoader(
        VOCSegDataset(False, crop_size, voc_dir), batch_size,
        drop_last=True, num_workers=num_workers)
    return train_iter, test_iter