def show_images(imgs, num_rows, num_cols, scale=2):
figsize = (num_cols * scale, num_rows * scale)
_, axes = plt.subplots(num_rows, num_cols, figsize=figsize)
for i in range(num_rows):
for j in range(num_cols):
axes[i][j].imshow(imgs[i * num_cols + j])
axes[i][j].axes.get_xaxis().set_visible(False)
axes[i][j].axes.get_yaxis().set_visible(False)
return axes# Install TensorFlow
try:
# %tensorflow_version only exists in Colab.
%tensorflow_version 2.x
except Exception:
pass
import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
import math
%matplotlib inline在前几节讨论的目标检测问题中，我们一直使用方形边界框来标注和预测图像中的目标。本节将探讨语义分割（semantic segmentation）问题，它关注如何将图像分割成属于不同语义类别的区域。值得一提的是，这些语义区域的标注和预测都是像素级的。图9.10展示了语义分割中图像有关狗、猫和背景的标签。可以看到，与目标检测相比，语义分割标注的像素级的边框显然更加精细。
图9.10 语义分割中图像有关狗、猫和背景的标签
计算机视觉领域还有2个与语义分割相似的重要问题，即图像分割（image segmentation）和实例分割（instance segmentation）。我们在这里将它们与语义分割简单区分一下。
- 图像分割将图像分割成若干组成区域。这类问题的方法通常利用图像中像素之间的相关性。它在训练时不需要有关图像像素的标签信息，在预测时也无法保证分割出的区域具有我们希望得到的语义。以图9.10的图像为输入，图像分割可能将狗分割成两个区域：一个覆盖以黑色为主的嘴巴和眼睛，而另一个覆盖以黄色为主的其余部分身体。
- 实例分割又叫同时检测并分割（simultaneous detection and segmentation）。它研究如何识别图像中各个目标实例的像素级区域。与语义分割有所不同，实例分割不仅需要区分语义，还要区分不同的目标实例。如果图像中有两只狗，实例分割需要区分像素属于这两只狗中的哪一只。
语义分割的一个重要数据集叫作Pascal VOC2012 [1]。为了更好地了解这个数据集，我们先导入实验所需的包或模块。
import time
from tqdm import tqdm
import sys
sys.path.append("..")我们先下载这个数据集的压缩包（下载地址）。压缩包大小是2 GB左右，下载需要一定时间。下载后解压得到VOCdevkit/VOC2012文件夹，然后将其放置在data文件夹下。
# 下载并解压文件到data目录
import requests
import tarfile
r = requests.get("http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar")
with open("data/VOCtrainval_11-May-2012.tar", 'wb') as f:
f.write(r.content)
def extract(tar_path, target_path):
try:
t = tarfile.open(tar_path)
t.extractall(path = target_path)
return True
except:
return False
extract("data/VOCtrainval_11-May-2012.tar", "data/")True
解压后包含：
Annotations JPEGImages SegmentationObject
ImageSets SegmentationClass
进入data/VOCdevkit/VOC2012路径后，我们可以获取数据集的不同组成部分。其中ImageSets/Segmentation路径包含了指定训练和测试样本的文本文件，而JPEGImages和SegmentationClass路径下分别包含了样本的输入图像和标签。这里的标签也是图像格式，其尺寸和它所标注的输入图像的尺寸相同。标签中颜色相同的像素属于同一个语义类别。下面定义read_voc_images函数将输入图像和标签读进内存。
train.txt文件内容如下：
2007_000032
2007_000039
2007_000063
2007_000068
2007_000121
2007_000170
...
def read_voc_images(root="data/VOCdevkit/VOC2012",
is_train=True, max_num=None):
txt_fname = '%s/ImageSets/Segmentation/%s' % (
root, 'train.txt' if is_train else 'val.txt')
with open(txt_fname, 'r') as f:
images = f.read().split()
if max_num is not None:
images = images[:min(max_num, len(images))]
features, labels = [None] * len(images), [None] * len(images)
for i, fname in tqdm(enumerate(images)):
feature_tmp = tf.io.read_file('%s/JPEGImages/%s.jpg' % (root, fname))
features[i] = tf.image.decode_jpeg(feature_tmp)
label_tmp = tf.io.read_file('%s/SegmentationClass/%s.png' % (root, fname))
labels[i] = tf.image.decode_png(label_tmp)
return features, labels #shape=(h, w, c)from PIL import Image
root="data/VOCdevkit/VOC2012"
fname="2007_000032"
feature = Image.open('%s/JPEGImages/%s.jpg' % (root, fname)).convert("RGB")
label = Image.open('%s/SegmentationClass/%s.png' % (root, fname)).convert("RGB")
feature.size #(w, h)(500, 281)
feature = tf.io.read_file('%s/JPEGImages/%s.jpg' % (root, fname))
feature = tf.image.decode_jpeg(feature)
print(feature.shape) #(h, w, c)
label = tf.io.read_file('%s/SegmentationClass/%s.png' % (root, fname))
label = tf.image.decode_png(label)
print(label.shape)
plt.imshow(label) #(h, w, c)(281, 500, 3)
(281, 500, 3)
<matplotlib.image.AxesImage at 0x7f482be6c400>
voc_dir = "data/VOCdevkit/VOC2012"
train_features, train_labels = read_voc_images(voc_dir, max_num=100)100it [00:00, 212.86it/s]
我们画出前5张输入图像和它们的标签。在标签图像中，白色和黑色分别代表边框和背景，而其他不同的颜色则对应不同的类别。
n = 5
imgs = train_features[0:n] + train_labels[0:n]
show_images(imgs, 2, n)array([[<matplotlib.axes._subplots.AxesSubplot object at 0x7f482db089e8>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f482dacc208>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f482da7c438>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f482da2d668>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f482d9dc898>],
[<matplotlib.axes._subplots.AxesSubplot object at 0x7f482d990ac8>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f482d9c1cf8>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f482d972f60>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f482d92d208>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f482d8e23c8>]],
dtype=object)
接下来，我们列出标签中每个RGB颜色的值及其标注的类别。
VOC_COLORMAP = [[0, 0, 0], [128, 0, 0], [0, 128, 0], [128, 128, 0],
[0, 0, 128], [128, 0, 128], [0, 128, 128], [128, 128, 128],
[64, 0, 0], [192, 0, 0], [64, 128, 0], [192, 128, 0],
[64, 0, 128], [192, 0, 128], [64, 128, 128], [192, 128, 128],
[0, 64, 0], [128, 64, 0], [0, 192, 0], [128, 192, 0],
[0, 64, 128]]
VOC_CLASSES = ['background', 'aeroplane', 'bicycle', 'bird', 'boat',
'bottle', 'bus', 'car', 'cat', 'chair', 'cow',
'diningtable', 'dog', 'horse', 'motorbike', 'person',
'potted plant', 'sheep', 'sofa', 'train', 'tv/monitor']有了上面定义的两个常量以后，我们可以很容易地查找标签中每个像素的类别索引。
colormap2label = np.zeros(256 ** 3, dtype=np.uint8)
for i, colormap in enumerate(VOC_COLORMAP):
colormap2label[(colormap[0] * 256 + colormap[1]) * 256 + colormap[2]] = i
colormap2label = tf.convert_to_tensor(colormap2label)
# 本函数已保存在d2lzh_pytorch中方便以后使用(没)
def voc_label_indices(colormap, colormap2label):
"""
convert colormap (tf image) to colormap2label (uint8 tensor).
"""
colormap = tf.cast(colormap, dtype=tf.int32)
idx = tf.add(tf.multiply(colormap[:, :, 0], 256), colormap[:, :, 1])
idx = tf.add(tf.multiply(idx, 256), colormap[:, :, 2])
idx = tf.add(idx, colormap[:, :, 2])
# print(tf.gather_nd(colormap2label, tf.expand_dims(idx, -1)))
return tf.gather_nd(colormap2label, tf.expand_dims(idx, -1))例如，第一张样本图像中飞机头部区域的类别索引为1，而背景全是0。
y = voc_label_indices(train_labels[0], colormap2label)
y[105:115, 130:140], VOC_CLASSES[1](<tf.Tensor: shape=(10, 10), dtype=uint8, numpy=
array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 1],
[0, 0, 0, 0, 0, 0, 0, 1, 1, 1],
[0, 0, 0, 0, 0, 0, 1, 1, 1, 1],
[0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
[0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
[0, 0, 0, 0, 1, 1, 1, 1, 1, 1],
[0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
[0, 0, 0, 0, 0, 1, 1, 1, 1, 1],
[0, 0, 0, 0, 0, 0, 1, 1, 1, 1],
[0, 0, 0, 0, 0, 0, 0, 0, 1, 1]], dtype=uint8)>, 'aeroplane')
在之前的章节中，我们通过缩放图像使其符合模型的输入形状。然而在语义分割里，这样做需要将预测的像素类别重新映射回原始尺寸的输入图像。这样的映射难以做到精确，尤其在不同语义的分割区域。为了避免这个问题，我们将图像裁剪成固定尺寸而不是缩放。具体来说，我们使用图像增广里的随机裁剪，并对输入图像和标签裁剪相同区域。
def voc_rand_crop(feature, label, height, width):
"""
Random crop feature (tf image) and label (tf image).
先将channel合并，剪裁之后再分开
"""
combined = tf.concat([feature, label], axis=2)
last_label_dim = tf.shape(label)[-1]
last_feature_dim = tf.shape(feature)[-1]
combined_crop = tf.image.random_crop(combined,
size=tf.concat([(height, width), [last_label_dim + last_feature_dim]],axis=0))
return combined_crop[:, :, :last_feature_dim], combined_crop[:, :, last_feature_dim:]imgs = []
for _ in range(n):
imgs += voc_rand_crop(train_features[0], train_labels[0], 200, 300)
show_images(imgs[::2] + imgs[1::2], 2, n)array([[<matplotlib.axes._subplots.AxesSubplot object at 0x7f482db49438>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f482d9eaef0>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f482d8c0160>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f482e3dd8d0>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f482edb5d30>],
[<matplotlib.axes._subplots.AxesSubplot object at 0x7f482d7cf208>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f482d782438>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f482d7366a0>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f482d6eb908>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f482d69fac8>]],
dtype=object)
我们通过自定义了一个获取语义分割数据集函数getVOCSegDataset。由于数据集中有些图像的尺寸可能小于随机裁剪所指定的输出尺寸，这些样本需要通过自定义的filter函数所移除。此外，我们还对输入图像的RGB三个通道的值分别做标准化。
def getVOCSegDataset(is_train, crop_size, voc_dir, colormap2label, max_num=None):
"""
crop_size: (h, w)
"""
features, labels = read_voc_images(root=voc_dir,
is_train=is_train,
max_num=max_num)
def _filter(imgs, crop_size):
return [img for img in imgs if (
img.shape[0] >= crop_size[0] and
img.shape[1] >= crop_size[1])]
def _crop(features, labels):
features_crop = []
labels_crop = []
for feature, label in zip(features, labels):
feature, label = voc_rand_crop(feature, label,
height=crop_size[0],
width=crop_size[1])
features_crop.append(feature)
labels_crop.append(label)
return features_crop, labels_crop
def _normalize(feature, label):
rgb_mean = np.array([0.485, 0.456, 0.406])
rgb_std = np.array([0.229, 0.224, 0.225])
label = voc_label_indices(label, colormap2label)
feature = tf.cast(feature, tf.float32)
feature = tf.divide(feature, 255.)
# feature = tf.divide(tf.subtract(feature, rgb_mean), rgb_std)
return feature, label
features = _filter(features, crop_size)
labels = _filter(labels, crop_size)
features, labels = _crop(features, labels)
print('read ' + str(len(features)) + ' valid examples')
dataset = tf.data.Dataset.from_tensor_slices((features, labels))
dataset = dataset.map(_normalize)
return dataset我们通过自定义的getVOCSegDataset来分别创建训练集和测试集的实例。假设我们指定随机裁剪的输出图像的形状为320×400。下面我们可以查看训练集和测试集所保留的样本个数。
crop_size = (320, 400)
max_num = 100
voc_train = getVOCSegDataset(True, crop_size, voc_dir, colormap2label, max_num)
voc_test = getVOCSegDataset(False, crop_size, voc_dir, colormap2label, max_num)100it [00:00, 276.14it/s]
29it [00:00, 281.40it/s]
read 77 valid examples
100it [00:00, 280.96it/s]
read 82 valid examples
设批量大小为64，分别定义训练集和测试集的迭代器。
batch_size = 64
voc_train = voc_train.batch(batch_size)
voc_test = voc_test.batch(batch_size)for x, y in iter(voc_train):
print(x.dtype, x.shape)
print(y.dtype, y.shape)
break<dtype: 'float32'> (64, 320, 400, 3)
<dtype: 'uint8'> (64, 320, 400)
- 语义分割关注如何将图像分割成属于不同语义类别的区域。
- 语义分割的一个重要数据集叫作Pascal VOC2012。
- 由于语义分割的输入图像和标签在像素上一一对应，所以将图像随机裁剪成固定尺寸而不是缩放。