语义分割标签制作全过程（适合新手）

本人刚接触这方面不久，在网上搜索了很多文章，发现很多文章都存在一些弊端，自己做了一些总结，方法比较基础，但亲测有效。
首先，我们得有一些原始图片，然后通过labelme标注后得到json文件（labelme使用大家可以去搜一下），接下来我们需要做的是将json文件转换为可用于训练的标签集。
网上很多说python中自带了一个脚本json_to_dataset.py可以转换（路径在python安装路径下，比如我的是在D:\python3.6.7\Lib\site-packages\labelme\cli中），调用方法是在cmd下输入： labelme_json_to_dataset <文件路径>.json，就可以得到标签图片（保存路径就是json文件目录下），但有一个问题就是，一次性只能转换一张标签，这多麻烦啊。于是，很多人写了脚本，可以批量化转换，但就我目前看到批量转换脚本，大多存在着一个致命的问题，就是对于不同图片，他的类别标注是对应不上的（这些脚本只是负责把图送到json_to_dataset.py,并没有对标签进行其他处理），看下图：

从上面两张图片可以看出，两种完全不是同一类别的东西都被赋予相同的颜色（也即相同标签），这肯定不是我们想要的。
然后就想尝试了一个比较官方的方法：先将json文件转换为voc格式的文件（为什么要这样做呢，因为voc格式算是比较官方的格式，针对其的转换程序也是正规的，解决了批量转换和不同类别时被赋予不同的像素的问题），然后就在github上找打了一个voc的转换脚本，链接在这里：https://github.com/wkentaro/labelme/tree/master/examples/semantic_segmentation，里面有教程教你怎么调用，这里就直接写下吧，cmd下输入：
python ./labelme2voc.py（尽量写绝对路径）图片和json文件存放的路径（放在一起）保存路径 --labels labels.txt路径（中间都是空格隔开）
这里需要注意的是，你需要将你自己的标签类别制作成一个txt文本（也就是上面调用命令中的labels.txt），你可以仿照上面那个链接中的labels.txt做，这个程序会根据你的类别去转换，然后你就会得到四个文件夹，其中有用的只有两个JPEGImages(原图像)，SegmentationClassPNG(voc格式的标签图像)，转换后的标签如下图所示：

可以看到，两种不同的东西被赋予了不同的标签，但是这种图片是索引图（索引图是为了增强灰度图的差异性，其实他也是单通道的，只不过每一个灰度都对应着一种颜色），如果你的模型是要求索引图作为标签，那么到这里就已经完成了；如果你的模型是要求灰度图作为标签，那么还得进行第二步转换（错把索引图当做灰度图作为标签，可能出现label out of boundary的错误提示），即将voc格式的索引图转换为可用于训练的灰度图（看上去是全黑的）。这里有两种方法：
1.先读取索引图中各种类别的像素值，然后一一改过来，比如上面球像素值是125，然后遍历就把所有图片中的125的像素值都改为1（表示第一个类别），而红色的是225，就把所有图片中的225都改为2，然后再保存为灰度图格式就可以了。这种方法对于类别较多的就比较麻烦，而且遍历每一个像素值耗时很大。
2.第二种是我在网上找到的转换脚本，很快很好用


"""Removes the color map from segmentation annotations.
Removes the color map from the ground truth segmentation annotations and save
the results to output_dir.
"""
#源程序链接：https://github.com/tensorflow/models/tree/master/research/deeplab/datasets
#该程序用于将voc格式的索引图片转换为可用于语义分割的灰度图片，因为TensorFlow版本的缘故，在原程序上做了少许改动
#tf.__version__==1.12import glob
import os.path
import numpy as np
from PIL import Image
import tensorflow as tf#FLAGS = tf.compat.v1.flags.FLAGS
FLAGS = tf.flags.FLAGS
tf.flags.DEFINE_string('original_gt_folder',#读取voc格式的png图片路径'F:\Dataset_segmentaion\data_dataset_voc\SegmentationClassPNG',#default'Original ground truth annotations.')#help
tf.flags.DEFINE_string('segmentation_format', 'png', 'Segmentation format.')
tf.flags.DEFINE_string('output_dir',#保存路径'F:\Dataset_segmentaion\data_dataset_voc\labels','folder to save modified ground truth annotations.')def _remove_colormap(filename):"""Removes the color map from the annotation.Args:filename: Ground truth annotation filename.Returns:Annotation without color map."""return np.array(Image.open(filename))def _save_annotation(annotation, filename):"""Saves the annotation as png file.Args:annotation: Segmentation annotation.filename: Output filename."""pil_image = Image.fromarray(annotation.astype(dtype=np.uint8))'''with tf.io.gfile.GFile(filename, mode='w') as f:#with open(filename, mode='w') as f:print(f)pil_image.save(f, 'PNG')'''pil_image.save(filename)def main(unused_argv):# Create the output directory if not exists.if not os.path.exists(FLAGS.output_dir):os.makedirs(FLAGS.output_dir)#if not tf.io.gfile.isdir(FLAGS.output_dir):#tf.io.gfile.makedirs(FLAGS.output_dir)annotations = glob.glob(os.path.join(FLAGS.original_gt_folder,'*.' + FLAGS.segmentation_format))for annotation in annotations:raw_annotation = _remove_colormap(annotation)filename = os.path.basename(annotation)[:-4]_save_annotation(raw_annotation,os.path.join(FLAGS.output_dir,filename + '.' + FLAGS.segmentation_format))if __name__ == '__main__':#tf.compat.v1.app.run()tf.app.run()

只需要将上面存放voc格式的png图像路径以及保存路径改成你自己的路径即可，转换后的图片是这样的：

你没有看错，就是全黑的，但只是看上去，除了背景像素值为零，其他的像素值不是零（可以调用np.unique(image)看看），比如你有21个类别，那么，对应的像素就是0-21，但看上去就是一团黑，不好分辨，因此才有了上面的索引图。到这里，标签图片就只做完成了，希望对大家有帮助。

语义分割标签制作全过程（适合新手）相关推荐

憨批的语义分割6——制作语义分割数据标签
憨批的语义分割6--制作语义分割数据集学习前言制作工具Labelme Labelme的使用标签文件内容学习前言有些小伙伴问怎么制作数据集,其实我也没有去制作过--所以也要学学啦, 制作工具L ...
从图片到dataframe——语义分割数据集制作全流程
分享一下从原始图片,到标记图片,再到转换为python里的数据结构语义分割数据集制作全流程. 安装labelme labelme 是一个图形界面的图像标注软件,可以很方便地划分出多边形边界. 下面在w ...
统计语义分割标签文件夹中的分割类别以及像素点数目
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录一.前言二.代码 2.结果示例一.前言提示:统计语义分割标签文件夹中的分割类别以及像素点数目: 二.代码提示:代码如 ...
语义分割标签处理RBG 到gray再转回RGB（通用）
语义分割标签处理RBG 到gray再转回RGB import numpy as np import cv2 import os from PIL import Image# moon 编码过程地面, ...
MATLAB的iamgeLabeler制作语义分割标签及路径修改
文章目录前言第一次标注的流程 imageLabeler 加载图片添加标签标注标签导出输出文件解释 imageLabelingSession.mat gTruth.mat和PixelLabe ...
语义分割 | segnet 制作自己的数据，如何训练，如何测试,如何评价
本博文介绍如何手把手制作自己的数据集,并使用SegNet网络进行语义分割,如何训练,如何测试自己的分割模型. --------------------------------------------- ...
【语义分割数据集制作】使用labelme制作自己的U-net语义分割数据集
最近有一个工作需要使用Unet的语义分割结果作为上游任务,语义分割数据集需要自己制作,特此记录一下. 1.下载labelme 第一步当然是下载labelme工具,主要有两种方式: 1. 系 ...
图像语义分割样本制作——使用Matlab模块Image Labeler 标记样本
在进行图像语义分割的时候,需要自己制作数据集,目前开源的标记软件很多,但个人觉得最好用的还是MATLAB中的Image Labeler,下面是简单的使用介绍. 1. 定义各类别说明: 2. 工具栏介绍 ...
语义分割标签npy文件保存为图片的几种方式详细讨论
拿到一个分割数据集,总共7类,里面的图片都是.npy格式,为了查看分割标签的情况,现在要将npy文件转为图片格式.首先这个数据集的标签图的像素值是0~6,单通道灰度图,所以标签如果显示成图片的话应该是 ...

语义分割标签制作全过程（适合新手）

语义分割标签制作全过程（适合新手）相关推荐

最新文章

热门文章