解決圖片拼接邊界問題——深度學習。

換了新的公司，在工作中遇到一個問題，把尺寸較大的圖片輸入網絡中，無法直接輸入，裁剪成網絡要求的shp大小再拼接，會出現接邊很明顯的問題，但是網絡輸入尺寸大小固定，也不能改圖片的大小，因此採用識別兩次的方法，解決圖像接邊問題，但是可能不是最優的方法，先記錄下來。

 

print("處理接邊")
        for i in range(padding_h // stride):
            for j in tqdm.tqdm(range(padding_w // stride)):
                if i < (padding_h // stride)-1 and j < (padding_w // stride)-1:
                    crop2 = padding_img[i * stride+128:i * stride + image_size+128, j * stride+128:j * stride + image_size+128, :]
                    crop2 = np.expand_dims(crop2, axis=0)  # 喂入的數據要求是(n, 256,256,3) 但是實際上維度是不滿足的
                    pred2 = model.predict(crop2, verbose=2)  # 使用模型進行預測，預測數據導入
                    # print (np.unique(pred))
                    pred2 = pred2.reshape((256, 256)).astype(np.uint8)  # 將結果整理爲256*256
                    # print 'pred:',pred.shape
                    mask_whole[i * stride+128+2:i * stride+ image_size+128-2, j * stride+128+2:j * stride + image_size+128-2] = pred2[2:-2,
                                                                                                         2:-2]

完成效果圖