ssocean
commented
1 year ago 感谢关注，以下是相关代码~
def load_cnts_from_json(json_pth):
'''
读取指定路径对应的[轮廓]
:return: [poly1,poly2,...,poly3]
'''
with open(json_pth, encoding='utf-8') as f:
result = json.load(f)
cnts = []
for region in result['shapes']:
points = region['points']
poly = np.array(points).astype(np.int32).reshape((-1))
poly = poly.reshape(-1, 2)
cnts.append(poly)
return cnts
def resize_contour(cnts, ori_size, rst_shape):
'''
原地操作函数，由于原图尺寸的变换将会导致标注信息的变换，该方法完成在图片尺寸变换时标注信息的同步转换。
:return:
'''
o_h, o_w = ori_size
r_h, r_w = rst_shape
height_ratio = r_h / o_h
width_ratio = r_w / o_w # 计算出高度、宽度的放缩比例
ratio_mat = [[width_ratio, 0], [0, height_ratio]]
# print(points_to_poly(cnts).shape)
return (np.array(cnts).astype(np.int32).reshape((-1)).reshape((-1, 2)) @ ratio_mat).astype(
np.int32) # n×2 矩阵乘 2×2
def preprocess(img, mask):
"""
用于在加载数据集的时候对图像做预处理，不可被外部调用
:param img:输入的图像
:return:经预处理的图像
"""
mask = mask.astype(np.uint16)
segmap = SegmentationMapsOnImage(mask, shape=img.shape)
seq = iaa.OneOf([
iaa.Affine(scale={"x": (0.7, 1.3), "y": (0.7, 1.3)}, translate_percent=(0, 0.2), rotate=(-25, 25), cval=0,
mode='constant'), # 仿射变换
iaa.ShearX((-15, 15)),
iaa.CropAndPad(percent=(-0.2, 0.5), pad_mode='constant', pad_cval=0, keep_size=True), # 裁剪缩放
iaa.PiecewiseAffine(scale=(0, 0.05), nb_rows=4, nb_cols=4, cval=0), # 以控制点的方式随机形变
])
img_aug, msk_aug = seq(image=np.array(img, dtype=np.uint8), segmentation_maps=segmap)
return img_aug, msk_aug.get_arr()
class OrderDataset(Dataset):
'''
数据集加载类
'''
def __init__(self, base_dir):
'''
:param base_dir:存放着图像+labelme格式标注的文件夹路径
'''
self.base_dir = base_dir
self.imgs_pth = get_files_pth(base_dir, 'jpg') + get_files_pth(base_dir, 'png')
self.jsons_pth = get_files_pth(base_dir, 'json')
assert len(self.imgs_pth) == len(self.jsons_pth), 'Num not the same'
def __len__(self):
'''
返回数据集中包含的样本个数
:return: 数据集中包含的样本个数
'''
return len(self.imgs_pth)
def __getitem__(self, item):
'''
根据item，返回图片和它对应的标注图片
:param item: 框架指定，请勿修改
:return: 字典{'img':FloatTensor类型，输入图像,'mask'：FloatTensor类型，对应不同实数值的GT,'M'：mask的阈值操作结果}
'''
img_pth = self.imgs_pth[item]
img_name = get_filename_from_pth(img_pth, False)
json_pth = os.path.join(self.base_dir, img_name + '.json')
polys = load_cnts_from_json(json_pth)
img = cv2.imread(img_pth, 0)
# 注意数据类型，否则uint8最大只能绘制255个
mask = np.zeros(mask_size, dtype=np.float32)
# 绘制GT(mask)
for i, poly in enumerate(polys):
poly = resize_contour(poly, img.shape[:2], mask.shape[:2])
# i+2便于threshold阈值操作，大于1全部转为前景像素
mask = cv2.drawContours(mask, [poly.reshape((-1, 2))], -1, i + 2, thickness=-1)
'''
我们最开始考虑像素值越小，区域越优先。而背景是0，背景最优先。这不合乎逻辑，
因此我们起初尝试对网络输出pred做掩码操作，即pred = pred * M，将掩码pred与真实标签mask做L1smooth损失。
但实际操作中效果不佳，还是直接L1效果稍微好点。
'''
_, M = cv2.threshold(mask.astype(np.uint8), 1, 255, cv2.THRESH_BINARY)
# M归一化
M = M / 255
# mask归一化
max_val = len(polys) + 1
mask = mask / max_val
img = M.astype(np.uint8)
mask = mask.astype(np.float32)
return {
'image': torch.from_numpy(img).type(torch.FloatTensor),
'mask': torch.from_numpy(mask).type(torch.FloatTensor),
'M': torch.from_numpy(M.astype(np.uint8)).type(torch.FloatTensor)
}
pass
helloword12345678
您好： 感谢分享，请问unet排序监督信号如何构建的？