文章目录

• 前言
• 一、PixelLib依赖安装
• 二、实例
• 模型训练

前言

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。

传统的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。

本文重点的介绍基于深度学习的图像分割，PixelLib是深度学习图像分割的方法之一，官方给出了多个训练好的模型，适合新手使用；

图像分割应用场景：虚拟背景、医学图像处理、自动驾驶、卫星遥感等等

一、PixelLib依赖安装

pip install tensorflow
pip install imgaug
pip install pixellib --upgrade

PixelLib支持两种主要的分割类型，
你可以通过使用Pixel Lib训练数据集来创建对象分割的自定义模型：

语义分割：图像中具有相同像素值的对象使用相同的颜色映射进行分割。

实例分割：使用不同的颜色贴图分割同一对象的实例。

二、实例

from pixellib.semantic import semantic_segmentation
segment_image = semantic_segmentation()
# 加载deeplabv3_xception65_ade20k.h5模型
# 模型在官网都有提供了下载链接
segment_image.load_ade20k_model("deeplabv3_xception65_ade20k.h5")
# 输入图片sample1.jpg，输出图片image_new.jpg，overlay = True时图像透明显示分割层
segment_image.segmentAsAde20k("sample1.jpg", output_image_name = "image_new.jpg", overlay = True)

PixelLib模型主要两类：

1.Deeplabv3+ 预训练模型：用于语义分割，训练数据为 150类的Ade20k 和 20类的Pascalvoc

2.Mask RCNN 预训练模型：用于实例分割，训练数据为 80类的COCO

模型训练

模型训练部分，可以阅读官方文档：
https://pixellib.readthedocs.io/en/latest/custom_train.html
使用标注工具labelme，对数据集进行标准，按照pixellib的数据集格式要求进行训练。