将EISeg分割生成的24位深的彩图转换为8位深的彩图
在训练语义分割时，需要有原图和相应的分割图，分割图一般有两种方式
一是用labelme进行打标签，然后根据json文件进行批量分割，这样的图片一般都是8位深的伪彩图，可以直接送到模型训练。
而第二种是使用EISeg生成的图片进行模型训练，然而EISeg生成的是24位深的伪彩图，如下图（肉眼看是没有任何区别的，但就是不能送到模型中训练），需要进行转换，转换为8位深的伪彩图。
下面展示将24位深的伪彩图转换为8位的伪彩图。
#img24to8 import os import cv2 import numpy as np from labelme.utils import lblsave from skimage.color import hsv2rgb, rgb2hsv def label_colormap(n_label=256, value=None): def bitget(byteval, idx): return (byteval & (1 << idx)) != 0 cmap = np.zeros((n_label, 3), dtype=np.uint8) for i in range(0, n_label): id = i r, g, b = 0, 0, 0 for j in range(0, 8): r = np.bitwise_or(r, (bitget(id, 0) << 7 - j)) g = np.bitwise_or(g, (bitget(id, 1) << 7 - j)) b = np.bitwise_or(b, (bitget(id, 2) << 7 - j)) id = id >> 3 cmap[i, 0] = r cmap[i, 1] = g cmap[i, 2] = b if value is not None: hsv = rgb2hsv(cmap.reshape(1, -1, 3)) if isinstance(value, float): hsv[:, 1:, 2] = hsv[:, 1:, 2].astype(float) * value else: assert isinstance(value, int) hsv[:, 1:, 2] = value cmap = hsv2rgb(hsv).reshape(-1, 3) return cmap colormap = label_colormap() # 读入图片并将opencv的BGR转换为RGB格式 img = cv2.imread(r"C:\Users\User\Music\Desktop\打标签\1\Late_Blight_100_pseudo.png") img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 将24位深图片中的[r,g,b]对应到colormap反求出label lbls = np.zeros(shape=[img.shape[0], img.shape[1]], dtype=np.int64) len_colormap = len(colormap) indexes = np.nonzero(img) for i, j in zip(indexes[0], indexes[1]): for k in range(len_colormap): if all(img[i, j, :3] == colormap[k]): lbls[i, j] = k break # 将label转换成8位 lblsave(os.path.join(os.getcwd(), r'C:\Users\User\Music\Desktop\1\Late_Blight_100.png'), lbls)
这样就可以将一张24位深的伪彩图转换为8位的伪彩图。
如果想要批量生成的，可以自行编写，也可以直接下载。
