眾所周知圖像是由若干有意義的像素組成的，圖像分割作為計(jì)算機(jī)視覺的基礎(chǔ)，對(duì)具有現(xiàn)有目標(biāo)和較精確邊界的圖像進(jìn)行分割，實(shí)現(xiàn)在圖像像素級(jí)別上的分類任務(wù)。

圖像分割可分為語義分割和實(shí)例分割兩類，區(qū)別如下：

• 語義分割：將圖像中每個(gè)像素賦予一個(gè)類別標(biāo)簽，用不同的顏色來表示；
• 實(shí)例分割：無需對(duì)每個(gè)像素進(jìn)行標(biāo)記，只需要找到感興趣物體的邊緣輪廓。

圖像分割通常應(yīng)用如下所示：

• 專業(yè)檢測(cè)：應(yīng)用于專業(yè)場(chǎng)景的圖像分析，比如在衛(wèi)星圖像中識(shí)別建筑、道路、森林，或在醫(yī)學(xué)圖像中定位病灶、測(cè)量面積等；
• 智能交通：識(shí)別道路信息，包括車道標(biāo)記、交通標(biāo)志等。
  

本博客主要通過PixelLib模塊幫助用戶快速便捷實(shí)現(xiàn)圖像分割。

1、環(huán)境部署

在進(jìn)行項(xiàng)目設(shè)計(jì)前，需要安裝所需的第三方庫(kù)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、語義分割

PixelLib使用Deeplabv3+框架實(shí)現(xiàn)語義分割，在pascalvoc數(shù)據(jù)集上訓(xùn)練的Xception模型用于語義分割。

第1步：導(dǎo)入PixelLib模塊，代碼如下所示：

import pixellib
from pixellib.semantic import semantic_segmentation

第2步：創(chuàng)建用于執(zhí)行語義分割的類實(shí)例，代碼如下所示：

segment_image = semantic_segmentation()

第3步：調(diào)用load_pascalvoc_model()函數(shù)加載在Pascal voc上訓(xùn)練的Xception模型，代碼如下所示：

segment_image.load_pascalvoc_model("deeplabv3_xception_tf_dim_ordering_tf_kernels.h5")

第4步：調(diào)用segmentAsPascalvoc()函數(shù)對(duì)圖像進(jìn)行分割，并且分割采用pascalvoc的顏色格式進(jìn)行。此函數(shù)有兩個(gè)必選參數(shù)：

• path_to_image：分割的目標(biāo)圖像的路徑；
• path_to_output_image：保存分割后輸出圖像的路徑。

將路徑替換為自己環(huán)境路徑即可，代碼如下所示：

segment_image.segmentAsPascalvoc("path_to_image", output_image_name = "path_to_output_image")

上傳圖像，語義分割后效果如下所示：

也可以生成了帶有分段疊加層的圖像，只需要將segmentAsPascalvoc()函數(shù)的overlay屬性設(shè)置為True，代碼如下所示：

segment_image.segmentAsPascalvoc("sample1.jpg", output_image_name = "image_new.jpg", overlay = True)

分段疊加層效果如下所示：

3、即時(shí)分割

PixelLib的實(shí)例分割基于MaskRCNN框架實(shí)現(xiàn)，也僅需5行Python代碼實(shí)現(xiàn)。

第1步：導(dǎo)入PixelLib模塊，代碼如下所示：

import pixellib
from pixellib.instance import instance_segmentation

第2步：導(dǎo)入用于執(zhí)行實(shí)例細(xì)分的類并創(chuàng)建該類的實(shí)例，代碼如下所示：

segment_image = instance_segmentation()

第3步：調(diào)用load_model()函數(shù)加載Mask RCNN模型以執(zhí)行實(shí)例分割的代碼，代碼如下所示：

segment_image.load_model("mask_rcnn_coco.h5")

第4步：調(diào)用segmentImage()函數(shù)對(duì)圖像執(zhí)行實(shí)例分割。此函數(shù)有兩個(gè)必選參數(shù)：

• path_to_image：模型要預(yù)測(cè)的圖像的路徑；
• output_image_name：保存分割結(jié)果的路徑。

將路徑替換為自己環(huán)境路徑即可，代碼如下所示：

segment_image.segmentImage("path_to_image", output_image_name = "output_image_path")

上傳圖像，即時(shí)分割后效果如下所示：

也可以生成分割蒙版邊界框，只需要將show_bboxes()函數(shù)的overlay屬性設(shè)置為True，代碼如下所示：

segment_image.segmentImage("sample2.jpg", output_image_name = "image_new.jpg", show_bboxes = True)

生成分割蒙版邊界框效果如下所示：

到此這篇關(guān)于5行Python代碼實(shí)現(xiàn)圖像分割的步驟詳解的文章就介紹到這了,更多相關(guān)Python 圖像分割內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！