将图像标记器多边形转换为标记的块图像以进行语义分割

简介: 将存储在对象中的多边形标签转换为适用于语义分割工作流的标记阻止图像。可以使用计算机视觉工具箱中的图像标记器应用来标记太大而无法放入内存和多分辨率图像的图像。有关详细信息,请参阅在图像标记器(计算机视觉工具箱)中标记大图像。图像标记器应用不支持对被阻止的图像进行像素标记。您只能使用 ROI 形状(如多边形、矩形和线条)创建标签。此示例演示如何使用函数将多边形 ROI 转换为像素标记的块图像,以进行语义分割工作流。

​一、前言
将存储在对象中的多边形标签转换为适用于语义分割工作流标记阻止图像。
可以使用计算机视觉工具箱中的图像标记器应用来标记太大而无法放入内存和多分辨率图像的图像。有关详细信息,请参阅在图像标记器(计算机视觉工具箱)中标记大图像。图像标记器应用不支持对被阻止的图像进行像素标记。您只能使用 ROI 形状(如多边形、矩形和线条)创建标签。此示例演示如何使用函数将多边形 ROI 转换为像素标记的块图像,以进行语义分割工作流。
使用来自 CAMELYON16 数据集的含有肿瘤组织的淋巴结训练图像的修改版本创建阻塞图像。修改后的图像具有三个粗略分辨率级别。已调整空间参考以强制实施一致的纵横比并在每个级别注册要素。
二、装载标签地面实况数据
此示例加载一个预先保存的对象 ,通过使用图像标记器应用标记被阻止的图像数据来创建。该对象存储图中显示的多边形标签。正常组织投资回报率以绿色勾勒,肿瘤组织投资回报率以红色勾勒。您可以从图像标记器应用中导出自己的标记地面实况数据,方法是选择导出,然后选择到工作区。
1.png

三、提取投资回报率位置和标签数据
对象的属性将多边形标签数据存储为表,每个标签对应一列。使用本示例末尾定义的帮助程序函数将存储在 中的位置数据和标签转换为接受作为函数输入的格式。将数字标签分配给正常组织 ROI,将标签分配给肿瘤组织 ROI。

四、创建带标签的阻止映像
为新的被阻止图像选择所需的分辨率级别。这种选择是在效率和准确性之间进行权衡。使用较粗的分辨率级别可减少处理时间和存储大小。使用更精细的分辨率级别会增加蒙版中保留的细节级别。您可以将粗略分辨率级别用于常规 ROI,例如多边形。对于较小的手绘投资回报率,精细的分辨率级别更合适。对于此示例,请使用中间分辨率级别。
指定新被阻止图像的图像大小,使其与原始图像 的图像大小相匹配,并达到所需的分辨率级别。创建带标签的阻止映像。将原始被阻止图像的空间参考保持在所需的分辨率级别。默认情况下, 将不属于任何 ROI 内的像素分配给数字标签。显示覆盖在原始图像上的标记阻止图像。对象肿瘤和正常组织多边形对应的区域分别以红色和绿色显示。
2.png

目录
相关文章
|
机器学习/深度学习 监控 TensorFlow
数据分割
在机器学习和数据分析中,数据分割是指将可用数据集划分为训练集、验证集和测试集等子集的过程。这种分割的目的是为了评估和验证机器学习模型的性能,并对其进行调优和泛化能力的评估。下面我将解释为什么要进行数据分割,以及如何进行数据分割,并提供一个简单的示例。
311 0
|
移动开发 文字识别 算法
论文推荐|[PR 2019]SegLink++:基于实例感知与组件组合的任意形状密集场景文本检测方法
本文简要介绍Pattern Recognition 2019论文“SegLink++: Detecting Dense and Arbitrary-shaped Scene Text by Instance-aware Component Grouping”的主要工作。该论文提出一种对文字实例敏感的自下而上的文字检测方法,解决了自然场景中密集文本和不规则文本的检测问题。
1947 0
论文推荐|[PR 2019]SegLink++:基于实例感知与组件组合的任意形状密集场景文本检测方法
|
1月前
|
Serverless 计算机视觉
语义分割笔记(三):通过opencv对mask图片来画分割对象的外接椭圆
这篇文章介绍了如何使用OpenCV库通过mask图像绘制分割对象的外接椭圆。首先,需要加载mask图像,然后使用`cv2.findContours()`寻找轮廓,接着用`cv2.fitEllipse()`拟合外接椭圆,最后用`cv2.ellipse()`绘制椭圆。文章提供了详细的代码示例,展示了从读取图像到显示结果的完整过程。
45 0
语义分割笔记(三):通过opencv对mask图片来画分割对象的外接椭圆
|
3月前
|
算法 计算机视觉
基于轮廓提取的 图像填充法
这篇文章介绍了一种基于轮廓提取的图像填充法,使用CVPR2021开源的pidinet项目进行轮廓提取,再结合OpenCV的floodFill算法实现图像的动态填充和复原功能。
|
6月前
|
计算机视觉
论文介绍:像素级分类并非语义分割的唯一选择
【5月更文挑战第24天】论文《像素级分类并非语义分割的唯一选择》提出了MaskFormer模型,该模型通过掩模分类简化语义与实例级分割任务,无需修改模型结构、损失函数或训练过程。在ADE20K和COCO数据集上取得优异性能,显示处理大量类别时的优势。MaskFormer结合像素级、Transformer和分割模块,提高效率和泛化能力。掩模分类方法对比边界框匹配更具效率,且MaskFormer的掩模头设计降低计算成本。该方法为语义分割提供新思路,但实际应用与小物体处理仍有待检验。[链接](https://arxiv.org/abs/2107.06278)
52 3
|
6月前
|
自然语言处理
将向量提取器用于平行语料对齐的一个小示例
将向量提取器用于平行语料对齐的一个小示例
41 0
|
机器学习/深度学习 人工智能 自然语言处理
MaskFormer:将语义分割和实例分割作为同一任务进行训练
目标检测和实例分割是计算机视觉的基本任务,在从自动驾驶到医学成像的无数应用中发挥着关键作用。目标检测的传统方法中通常利用边界框技术进行对象定位,然后利用逐像素分类为这些本地化实例分配类。但是当处理同一类的重叠对象时,或者在每个图像的对象数量不同的情况下,这些方法通常会出现问题。
4853 0
|
计算机视觉
opencv 之图像的边界填充及一些数据计算
opencv 之图像的边界填充及一些数据计算
110 0
|
JSON 算法 数据格式
优化cv2.findContours()函数提取的目标边界点,使语义分割进行远监督辅助标注
可以看到cv2.findContours()函数可以将目标的所有边界点都进行导出来,但是他的点存在一个问题,太过密集,如果我们想将语义分割的结果重新导出成labelme格式的json文件进行修正时,这就会存在点太密集没有办法进行修改,这里展示一个示例:没有对导出的结果进行修正,在labelme中的效果图。
212 0
|
数据可视化 算法 Serverless
使用分水岭算法分割图像中相互接触的对象
使用分水岭分割来分离图像中相互接触的对象。分水岭变换通过将图像视为一个曲面,其中亮像素表示较高处,暗像素表示较低处,从而找出图像中的“汇水盆地”和“分水岭脊线”。
96 0