将语义分割的原图眼膜和resnet-unet模型的输出进行拼接代码

以下是将语义分割的原图眼膜和ResNet-Unet模型的输出进行拼接的Python代码示例：

import numpy as np
from PIL import Image
import torch

# 加载语义分割的原图眼膜和ResNet-Unet模型的输出
original_image_path = 'original_image.png'
mask_path = 'mask.png'
model_output_path = 'model_output.npy'

original_image = np.array(Image.open(original_image_path))
mask = np.array(Image.open(mask_path))
model_output = np.load(model_output_path)

# 将原图眼膜和ResNet-Unet模型的输出进行拼接
if len(mask.shape) == 2:  # 如果原图眼膜是灰度图
    mask = np.expand_dims(mask, axis=2)  # 将其转化为3通道图像
combined_output = np.concatenate([original_image, model_output, mask], axis=2)

# 可以进行可视化或其他后续处理

这段代码首先使用numpy和PIL库加载原图眼膜、语义分割模型的输出以及ResNet-Unet模型的输出。其中，原图眼膜和语义分割模型的输出都是图像文件，而ResNet-Unet模型的输出是一个numpy数组。

然后，代码判断原图眼膜是否是灰度图，如果是的话就将其转化为3通道图像。最后，使用numpy库中的concatenate函数将原图眼膜、语义分割模型的输出和ResNet-Unet模型的输出在通道维度上进行拼接，得到拼接后的图像。