使用语义分割进行图像前景后景分离处理_语义分割后处理

background

125 浏览量更新于2023-05-04 评论 2 收藏 597KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

使用语义分割进行图像前景后景分离处理使用语义分割进行图像前景后景分离处理

在我们以前的文章中，我们学习了什么是语义分割，以及如何在PyTorch中使用DeepLabv3来获得图像中检测到的对象的RGB掩码。即我们将图

像中的对象标识出来。

虽然语义分割是很酷，但让我们看看如何在一些现实世界的应用程序中使用语义分割的处理结果。在这篇文章中，我们将在torchvision中使用

DeepLabv3制作以下应用程序。

1、去掉背景

2、改变背景

3、模糊背景

4、背景灰度化

如果您没有阅读我们以前关于使用torchvision进行语义分割的帖子，请最好先阅读下，因为我们将修改该帖子中使用的一些方法，并跳过该帖子

中包含的一些详细注解信息。

1、删除背景、删除背景

让我们选择一个真实的应用程序进行演示。假设你拥有一个在线销售二手车的网站。. 你的网站上的卖家上传他们的二手车的照片。由于大多数

卖家都不是老练的摄影师，所以你不能期望他们拍出有良好背景的照片。您可能还希望你的网页风格一致，要求所有的图片有相同的纯色背景。

在这个例子中，我们将看到如何删除汽车图片上的背景，在下面的部分中，我们将使用DeepLabV3来实现这一点。先看完整代码：

import os

from google.colab import drive

drive.mount('/content/drive')

path = "/content/drive/My Drive/Colab Notebooks"

os.chdir(path)

os.listdir(path)

from torchvision import models

from PIL import Image

import matplotlib.pyplot as plt

import torch

import numpy as np

import cv2

# Apply the transformations needed

import torchvision.transforms as T

# Define the helper function

def decode_segmap(image, source, nc=21):

label_colors = np.array([(0, 0, 0), # 0=background

# 1=aeroplane, 2=bicycle, 3=bird, 4=boat, 5=bottle

(128, 0, 0), (0, 128, 0), (128, 128, 0), (0, 0, 128), (128, 0, 128),

# 6=bus, 7=car, 8=cat, 9=chair, 10=cow

(0, 128, 128), (128, 128, 128), (64, 0, 0), (192, 0, 0), (64, 128, 0),

# 11=dining table, 12=dog, 13=horse, 14=motorbike, 15=person

(192, 128, 0), (64, 0, 128), (192, 0, 128), (64, 128, 128), (192, 128, 128),

# 16=potted plant, 17=sheep, 18=sofa, 19=train, 20=tv/monitor

(0, 64, 0), (128, 64, 0), (0, 192, 0), (128, 192, 0), (0, 64, 128)])

r = np.zeros_like(image).astype(np.uint8)

g = np.zeros_like(image).astype(np.uint8)

b = np.zeros_like(image).astype(np.uint8)

for l in range(0, nc):

idx = image == l

r[idx] = label_colors[l, 0] g[idx] = label_colors[l, 1] b[idx] = label_colors[l, 2] rgb = np.stack([r, g, b], axis=2)

# Load the foreground input image

foreground = cv2.imread(source)

print('foreground1')

print(foreground)

# Change the color of foreground image to RGB

# and resize image to match shape of R-band in RGB output map

foreground = cv2.cvtColor(foreground, cv2.COLOR_BGR2RGB)

foreground = cv2.resize(foreground, (r.shape[1], r.shape[0]))

print('foreground2')

# Create a background array to hold white pixels

# with the same size as RGB output map

background = 255 * np.ones_like(rgb).astype(np.uint8)

# Convert uint8 to float

foreground = foreground.astype(float)

background = background.astype(float)

# Create a binary mask of the RGB output map using the threshold value 0

th, alpha = cv2.threshold(np.array(rgb), 0, 255, cv2.THRESH_BINARY)

# Apply a slight blur to the mask to soften edges

print('alpha1')

print(alpha)

alpha = cv2.GaussianBlur(alpha, (7, 7), 0)

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余7页未读，立即下载

weixin_38746818

粉丝: 7
资源: 910

会员权益专享

使用语义分割进行图像前景后景分离处理

评论0

会员权益专享

最新资源

使用语义分割进行图像前景后景分离处理

评论0

语义分割 权重文件2-1

Python-Pytorch实现用于图像语义分割UNet

三种经典背景提取算法实现

前景后景分离 python

kmeans聚类算法实现图片前景后景分割

对像素值近似的灰度图，怎么进行前、后景的分离

对像素值近似的灰度图，进行前、后景的分离会用到阈值分割的方法，可是这个阈值怎么确定呢

在pygame中什么是双缓冲

widget背景设置为透明

利用基于直方图的自适应阈值方法实现分割前景与背景

图像背景和前景的分离提取

不规则光照下自适应阈值的前景背景分离算法源代码

图像语义分割的发展概述-DL时代

codebook背景分离算法

Python-在PyTorch中实现的语义分割模型数据集和损失

基于matlab实现V2G系统simulink仿真图以及电动汽车充电和放电图.rar

共创在线考试系统(JSP+SERVLET)130223.rar

医药集团能源集团汽车集团大型集团战略规划顶层战略设计方案PPT(4份）

基于matlab实现非常齐全的wsn定位matlaB仿真程序.rar

matlab GPS与捷联惯导的组合导航程序，可以运行.rar

会员权益专享

最新资源

语义分割权重文件2-1