目錄
衆所周知圖像是由若干有意義的像素組成的，圖像分割作爲計算機視覺的基礎，對具有現有目標和較精確邊界的圖像進行分割，實現在圖像像素級別上的分類任務。
圖像分割可分爲語義分割和實例分割兩類，區別如下：
- 語義分割：將圖像中每個像素賦予一個類別標籤，用不同的顏色來表示；
- 實例分割：無需對每個像素進行標記，只需要找到感興趣物體的邊緣輪廓。
圖像分割通常應用如下所示：
- 專業檢測：應用於專業場景的圖像分析，比如在衛星圖像中識別建築、道路、森林，或在醫學圖像中定位病竈、測量面積等；
- 智能交通：識別道路信息，包括車道標記、交通標誌等。
本博客主要通過PixelLib模塊幫助用戶快速便捷實現圖像分割。
1、環境部署
在進行項目設計前，需要安裝所需的第三方庫文件：TensorFlow、Pillow、OpenCV-Python、scikit-image和PixelLib，指令如下所示：
pip install tensorflow
pip install pillow
pip install opencv-python
pip install scikit-image
pip install pixellib
2、語義分割
PixelLib使用Deeplabv3+框架實現語義分割，在pascalvoc數據集上訓練的Xception模型用於語義分割。
第1步：導入PixelLib模塊，代碼如下所示：
import pixellib
from pixellib.semantic import semantic_segmentation
第2步：創建用於執行語義分割的類實例，代碼如下所示：
segment_image = semantic_segmentation()
第3步：調用load_pascalvoc_model()函數加載在Pascal voc上訓練的Xception模型，代碼如下所示：
segment_image.load_pascalvoc_model("deeplabv3_xception_tf_dim_ordering_tf_kernels.h5")
第4步：調用segmentAsPascalvoc()函數對圖像進行分割，並且分割採用pascalvoc的顏色格式進行。此函數有兩個必選參數：
- path_to_image：分割的目標圖像的路徑；
- path_to_output_image：保存分割後輸出圖像的路徑。
將路徑替換爲自己環境路徑即可，代碼如下所示：
segment_image.segmentAsPascalvoc("path_to_image", output_image_name = "path_to_output_image")
上傳圖像，語義分割後效果如下所示：
也可以生成了帶有分段疊加層的圖像，只需要將segmentAsPascalvoc()函數的overlay屬性設置爲True，代碼如下所示：
segment_image.segmentAsPascalvoc("sample1.jpg", output_image_name = "image_new.jpg", overlay = True)
分段疊加層效果如下所示：
3、即時分割
PixelLib的實例分割基於MaskRCNN框架實現，也僅需5行Python代碼實現。
第1步：導入PixelLib模塊，代碼如下所示：
import pixellib
from pixellib.instance import instance_segmentation
第2步：導入用於執行實例細分的類並創建該類的實例，代碼如下所示：
segment_image = instance_segmentation()
第3步：調用load_model()函數加載Mask RCNN模型以執行實例分割的代碼，代碼如下所示：
segment_image.load_model("mask_rcnn_coco.h5")
第4步：調用segmentImage()函數對圖像執行實例分割。此函數有兩個必選參數：
- path_to_image：模型要預測的圖像的路徑；
- output_image_name：保存分割結果的路徑。
將路徑替換爲自己環境路徑即可，代碼如下所示：
segment_image.segmentImage("path_to_image", output_image_name = "output_image_path")
上傳圖像，即時分割後效果如下所示：
也可以生成分割蒙版邊界框，只需要將show_bboxes()函數的overlay屬性設置爲True，代碼如下所示：
