个人中心
文章发布
退出
作者热门文章
- Java锁的逻辑（结合对象头和ObjectMonitor）
- 还在用饼状图？来瞧瞧这些炫酷的百分比可视化新图形（附代码实现）⛵
- 自动注册实体类到EntityFrameworkCore上下文，并适配ABP及ABPVNext
- 基于Sklearn机器学习代码实战
29
4
1
、基于Unet语义分割的基本原理、环境构建、参数调节等
2
、一种有效的天空分割数据集准备方法，并且获得数据集
3
、基于OpenCV的Pytorch模型部署方法
4
、融合效果极好的 SeamlessClone 技术
5
、饱和度调整、颜色域等基础图像处理知识和编码技术
比如，我们要找的是蓝天，那么在HSV域，就可以通过查表的方法找出蓝色区域。 。
在这张表中，蓝色的HSV的上下门限已经标注出来，我们编码实现.
cvtColor(matSrc,temp,COLOR_BGR2HSV);
split(temp,planes);
equalizeHist(planes[
2
],planes[
2
]);
//
对v通道进行equalizeHist
merge(planes,temp);
inRange(temp,Scalar(
100
,
43
,
46
),Scalar(
124
,
255
,
255
),temp);
erode(temp,temp,Mat());
//
形态学变换，填补内部空洞
dilate(temp,temp,Mat());
imshow(
"
原始图
"
,matSrc);
在这段代码中，有两个小技巧，一个是对模板(MASK)进行了形态学变化，这个不展开说；一个是我们首先对HSV图进行了3通道分解，并且直方图增强V通道，而后将3通道合并回去。通过这种方法能够增强原图对比度，让蓝天更蓝、青山更青……大家可以自己调试看一下。 显示处理后识别为天空的结果（在OpenCV中，白色代表1也就是由数据，黑色代表0也就是没数据） 。
对于天坛这幅图来说，效果不错。虽然在右上角错误，而塔中间的一个很小的空洞，这些后期都是可以规避掉的错误。 。
但是对于阴霾图片来说，由于天空中没有蓝色，识别起来就很错误很多.
1.2 语义分割基础 。
图像语义分割（semantic segmentation），从字面意思上理解就是让计算机根据图像的语义来进行分割，例如让计算机在输入下面左图的情况下，能够输出右图。语义在语音识别中指的是语音的意思，在图像领域，语义指的是图像的内容，对图片意思的理解，比如左图的语义就是三个人骑着三辆自行车；分割的意思是从像素的角度分割出图片中的不同对象，对原图中的每个像素都进行标注，比如右图中粉红色代表人，绿色代表自行车.
那么对于天空分割问题来说，主要目标就是找到像素级别的天空对象，使用语义分割模型就是有效的.
。
。
getFiles(
"
e:/template/Data_sky/data
"
, fileNames);
string
saveFile =
"
e:/template/Data_sky/dataEX3/
"
;
for
(
int
index =
0
; index < fileNames.size(); index++
)
{
Mat src
=
imread(fileNames[index]);
Mat dst;
string
fileName;
getFileName(fileNames[index], fileName);
resize(src, dst, cv::Size(
512
,
512
));
imwrite(saveFile
+ fileName +
"
_512.jpg
"
, dst);
resize(src, dst, cv::Size(
256
,
256
));
imwrite(saveFile
+ fileName +
"
_256.jpg
"
, dst);
resize(src, dst, cv::Size(
128
,
128
));
imwrite(saveFile
+ fileName +
"
_128.jpg
"
, dst);
cout
<< fileName <<
endl;
}
fileNames.clear();
getFiles(
"
e:/template/Data_sky/mask
"
, fileNames);
saveFile
=
"
e:/template/Data_sky/maskEX3/
"
;
for
(
int
index =
0
; index < fileNames.size(); index++
)
{
Mat src
= imread(fileNames[index],
0
);
Mat dst;
string
fileName;
getFileName(fileNames[index], fileName);
fileName
= fileName.substr(
0
, fileName.size() -
3
);
resize(src, dst, cv::Size(
512
,
512
));
imwrite(saveFile
+ fileName +
"
_512_gt.jpg
"
, dst);
resize(src, dst, cv::Size(
256
,
256
));
imwrite(saveFile
+ fileName +
"
_256_gt.jpg
"
, dst);
resize(src, dst, cv::Size(
128
,
128
));
imwrite(saveFile
+ fileName +
"
_128_gt.jpg
"
, dst);
cout
<< fileName <<
endl;
}
。
。
# -*- coding: utf8 -*-
from
aliyunsdkcore.client import AcsClient
from
aliyunsdkimageseg.request.v20191230 import SegmentSkyRequest
from
aliyunsdkimageseg.request.v20191230.SegmentHDSkyRequest import SegmentHDSkyRequest
import oss2
import os
import json
import urllib
# 创建 AcsClient 实例
client
= AcsClient(
"
LTAI5tQCCmMyKSfifwsFHLpC
"
,
"
JyzNfHsCnUaVTeS6Xg3ylMjQFC8C6L
"
,
"
cn-shanghai
"
)
request
=
SegmentSkyRequest.SegmentSkyRequest()
endpoint
=
"
https://oss-cn-shanghai.aliyuncs.com
"
accesskey_id
=
"
LTAI5tQCCmMyKSfifwsFHLpC
"
accesskey_secret
=
"
JyzNfHsCnUaVTeS6Xg3ylMjQFC8C6L
"
bucket_name
=
"
datasky2
"
bucket_name2
=
"
viapi-cn-shanghai-dha-segmenter
"
#本地文件保存路径前缀
download_local_save_prefix
=
"
/home/helu/GOPytorchHelper/data/dataOss/
"
'''
列举prefix全部文件
'''
def prefix_all_list(bucket,prefix):
print(
"
开始列举
"
+prefix+
"
全部文件
"
);
oss_file_size
=
0
;
for
obj
in
oss2.ObjectIterator(bucket, prefix =
'
%s/
'
%
prefix):
print(
'
key :
'
+
obj.key)
oss_file_size
= oss_file_size +
1
;
download_to_local(bucket, obj.key, obj.key);
print(prefix
+
"
file size
"
+
str(oss_file_size));
'''
列举全部的根目录文件夹、文件
'''
def root_directory_list(bucket):
# 设置Delimiter参数为正斜线（
/
）。
for
obj
in
oss2.ObjectIterator(bucket, delimiter=
'
/
'
):
# 通过is_prefix方法判断obj是否为文件夹。
if
obj.is_prefix(): # 文件夹
print(
'
directory:
'
+
obj.key);
prefix_all_list(bucket,str(obj.key).strip(
"
/
"
)); #去除/
else
: # 文件
print(
'
file:
'
+
obj.key)
# 填写Object完整路径，例如exampledir
/
exampleobject.txt。Object完整路径中不能包含Bucket名称。
object_name
=
obj.key
# 生成下载文件的签名URL，有效时间为60秒。
# 生成签名URL时，OSS默认会对Object完整路径中的正斜线（
/
）进行转义，从而导致生成的签名URL无法直接使用。
# 设置slash_safe为True，OSS不会对Object完整路径中的正斜线（
/
）进行转义，此时生成的签名URL可以直接使用。
url
= bucket.sign_url(
'
GET
'
, object_name,
60
, slash_safe=
True)
print(
'
签名url的地址为：
'
, url)
## 如下url替换为自有的上海region的oss文件地址
request.set_ImageURL(url)
response
=
client.do_action_with_exception(request)
print(
'
response地址为：
'
, response)
user_dict
=
json.loads(response)
for
name
in
user_dict.keys():
if
(name.title() ==
"
Data
"
):
inner_dict
=
user_dict[name]
for
innerName
in
inner_dict.keys():
if
(innerName ==
"
ImageURL
"
):
finalName
=
inner_dict[innerName]
print(
'
finalName地址为：
'
,str(finalName))
urllib.request.urlretrieve(str(finalName), download_local_save_prefix
+
obj.key)
'''
下载文件到本地
'''
def download_to_local(bucket,object_name,local_file):
url
= download_local_save_prefix +
local_file;
#文件名称
file_name
= url[url.rindex(
"
/
"
)+
1
:]
file_path_prefix
= url.replace(file_name,
""
)
if
False ==
os.path.exists(file_path_prefix):
os.makedirs(file_path_prefix);
print(
"
directory don't not makedirs
"
+
file_path_prefix);
# 下载OSS文件到本地文件。如果指定的本地文件存在会覆盖，不存在则新建。
bucket.get_object_to_file(object_name, download_local_save_prefix
+
local_file);
if
__name__ ==
'
__main__
'
:
print(
"
start \n
"
);
# 阿里云主账号AccessKey拥有所有API的访问权限，风险很高。强烈建议您创建并使用RAM账号进行API访问或日常运维，请登录 https:
//
ram.console.aliyun.com 创建RAM账号。
auth =
oss2.Auth(accesskey_id,accesskey_secret)
# Endpoint以杭州为例，其它Region请按实际情况填写。
bucket
=
oss2.Bucket(auth,endpoint , bucket_name)
bucket2
=
oss2.Bucket(auth,endpoint , bucket_name2)
#单个文件夹下载
root_directory_list(bucket);
print(
"
end \n
"
);
#
5
. Begin training
for
epoch
in
range(epochs):
net.train()
epoch_loss
=
0
with tqdm(total
=n_train, desc=f
'
Epoch {epoch + 1}/{epochs}
'
, unit=
'
img
'
)
as
pbar:
for
batch
in
train_loader:
images
= batch[
'
image
'
]
true_masks
= batch[
'
mask
'
]
assert images.shape[
1
] ==
net.n_channels, \
f
'
Network has been defined with {net.n_channels} input channels,
'
\
f
'
but loaded images have {images.shape[1]} channels. Please check that
'
\
'
the images are loaded correctly.
'
images
= images.to(device=device, dtype=
torch.float32)
true_masks
= true_masks.to(device=device, dtype=torch.
long
)
######
one
=
torch.ones_like(true_masks)
zero
=
torch.zeros_like(true_masks)
true_masks
= torch.
where
(true_masks>
0
,one,zero)
#####
with torch.cuda.amp.autocast(enabled
=
amp):
masks_pred
=
net(images)
loss
=
criterion(masks_pred, true_masks) \
+ dice_loss(F.softmax(masks_pred, dim=
1
).
float
(),
F.one_hot(true_masks, net.n_classes).permute(
0
,
3
,
1
,
2
).
float
(),
multiclass
=
True)
optimizer.zero_grad(set_to_none
=
True)
grad_scaler.scale(loss).backward()
grad_scaler.step(optimizer)
grad_scaler.update()
pbar.update(images.shape[
0
])
global_step
+=
1
epoch_loss
+=
loss.item()
pbar.set_postfix(
**{
'
loss (batch)
'
: loss.item()})
# Evaluation round
division_step
= (n_train
//
(10 * batch_size))
if
division_step >
0
:
if
global_step % division_step ==
0
:
histograms
=
{}
for
tag, value
in
net.named_parameters():
tag
= tag.replace(
'
/
'
,
'
.
'
)
val_score
=
evaluate(net, val_loader, device)
scheduler.step(val_score)
logging.info(
'
Validation Dice score: {}
'
.format(val_score))
if
save_checkpoint:
Path(dir_checkpoint).mkdir(parents
=True, exist_ok=
True)
torch.save(net.state_dict(), str(dir_checkpoint
/
'
checkpoint_epoch{}.pth
'
.format(epoch +
1
)))
logging.info(f
'
Checkpoint {epoch + 1} saved!
'
)
。
。
session = onnxruntime.InferenceSession(
"
转换的onnx文件
"
)
input_name
= session.get_inputs()[
0
].name
label_name
= session.get_outputs()[
0
].name
img_name_list
= [
'
需要处理的图片
'
]
image
= Image.open(img_name_list[
0
])
w, h
=
image.size
dataset
=
SalObjDataset(
img_name_list
=
img_name_list,
lbl_name_list
=
[],
transform
=transforms.Compose([RescaleT(
320
), ToTensorLab(flag=
0
)])
)
data_loader
=
DataLoader(
dataset,
batch_size
=
1
,
shuffle
=
False,
num_workers
=
1
)
im
= list(data_loader)[
0
][
'
image
'
]
inputs_test
=
im
inputs_test
=
inputs_test.type(torch.FloatTensor)
with torch.no_grad():
inputs_test
=
Variable(inputs_test)
res
=
session.run([label_name], {input_name: inputs_test.numpy().astype(np.float32)})
result
= torch.from_numpy(res[
0
])
pred
= result[:,
0
, :, :]
pred
=
normPRED(pred)
pred
=
pred.squeeze()
predict_np
=
pred.cpu().data.numpy()
im
= Image.fromarray(predict_np *
255
).convert(
'
RGB
'
)
im
= im.resize((w, h), resample=
Image.BILINEAR)
im.show()
import os
import argparse
from
skimage import io, transform
import numpy
as
np
from
PIL import Image
import cv2
as
cv
parser
= argparse.ArgumentParser(description=
'
Demo: U2Net Inference Using OpenCV
'
)
parser.add_argument(
'
--input
'
,
'
-i
'
)
parser.add_argument(
'
--model
'
,
'
-m
'
,
default
=
'
u2net_human_seg.onnx
'
)
args
=
parser.parse_args()
def normPred(d):
ma
=
np.amax(d)
mi
=
np.amin(d)
return
(d - mi)/(ma -
mi)
def save_output(image_name, predict):
img
=
cv.imread(image_name)
h, w, _
=
img.shape
predict
= np.squeeze(predict, axis=
0
)
img_p
= (predict *
255
).astype(np.uint8)
img_p
=
cv.resize(img_p, (w, h))
print(
'
{}-result-opencv_dnn.png-------------------------------------
'
.format(image_name))
cv.imwrite(
'
{}-result-opencv_dnn.png
'
.format(image_name), img_p)
def main():
# load net
net
= cv.dnn.readNet(
'
saved_models/sky_split.onnx
'
)
input_size
=
320
#
fixed
# build blob
using
OpenCV
img
= cv.imread(
'
test_imgs/sky1.jpg
'
)
blob
= cv.dnn.blobFromImage(img, scalefactor=(
1.0
/
255.0
), size=(input_size, input_size), swapRB=
True)
# Inference
net.setInput(blob)
d0
= net.forward(
'
output
'
)
# Norm
pred
= normPred(d0[:,
0
, :, :])
# Save
save_output(
'
test_imgs/sky1.jpg
'
, pred)
if
__name__ ==
'
__main__
'
:
main()
//
std::string strModelPath = "E:/template/u2net_train.pt";
void
bgr_u2net(cv::Mat& image_src, cv::Mat& result, torch::jit::Module&
model)
{
//
1.模型已经导入
auto device = torch::Device(
"
cpu
"
);
//
2.输入图片，变换到320
cv::Mat image_src1 =
image_src.clone();
cv::resize(image_src1, image_src1, cv::Size(
320
,
320
));
cv::cvtColor(image_src1, image_src1, cv::COLOR_BGR2RGB);
//
3.图像转换为Tensor
torch::Tensor tensor_image_src = torch::from_blob(image_src1.data, { image_src1.rows, image_src1.cols,
3
}, torch::kByte);
tensor_image_src
= tensor_image_src.permute({
2
,
0
,
1
});
//
RGB -> BGR互换
tensor_image_src =
tensor_image_src.toType(torch::kFloat);
tensor_image_src
= tensor_image_src.div(
255
);
tensor_image_src
= tensor_image_src.unsqueeze(
0
);
//
拿掉第一个维度 [3, 320, 320]
//
4.网络前向计算
auto src =
tensor_image_src.to(device);
auto pred
= model.forward({ src }).toTuple()->elements()[
0
].toTensor();
//
模型返回多个结果，用toTuple,其中elements()[i-1]获取第i个返回值
//
d1,d2,d3,d4,d5,d6,d7= net(inputs_test)
//
pred = d1[:,0,:,:]
auto res_tensor = (pred *
torch::ones_like(src));
res_tensor
=
normPRED(res_tensor);
//
是否就是Tensor转换为图像
res_tensor = res_tensor.squeeze(
0
).detach();
res_tensor
= res_tensor.mul(
255
).clamp(
0
,
255
).to(torch::kU8);
//
mul函数，表示张量中每个元素乘与一个数，clamp表示夹紧，限制在一个范围内输出
res_tensor =
res_tensor.to(torch::kCPU);
//
5.输出最终结果
cv::Mat resultImg(res_tensor.size(
1
), res_tensor.size(
2
), CV_8UC3);
std::memcpy((
void
*)resultImg.data, res_tensor.data_ptr(),
sizeof
(torch::kU8) *
res_tensor.numel());
cv::resize(resultImg, resultImg, cv::Size(image_src.cols, image_src.rows), cv::INTER_LINEAR);
result
=
resultImg.clone();
}
#include
"
opencv2/dnn.hpp
"
#include
"
opencv2/imgproc.hpp
"
#include
"
opencv2/highgui.hpp
"
#include
<iostream>
#include
"
opencv2/objdetect.hpp
"
using
namespace
cv;
using
namespace
std;
using
namespace
cv::dnn;
int
main(
int
argc,
char
**
argv)
{
Net net
= readNetFromONNX(
"
E:/template/sky_split.onnx
"
);
if
(net.empty()) {
printf(
"
read model data failure...\n
"
);
return
-
1
;
}
//
load image data
Mat frame = imread(
"
e:/template/sky14.jpg
"
);
Mat blob;
blobFromImage(frame, blob,
1.0
/
255.0
, Size(
320
,
320
), cv::Scalar(),
true
);
net.setInput(blob);
Mat prob
= net.forward(
"
output
"
);
Mat slice(cv::Size(prob.size[
2
], prob.size[
3
]), CV_32FC1, prob.ptr<
float
>(
0
,
0
));
normalize(slice, slice,
0
,
255
, NORM_MINMAX, CV_8U);
resize(slice, slice, frame.size());
return
0
;
}
。
import os
import torch
from
unet import UNet
def main():
net
= UNet(n_channels=
3
, n_classes=
2
, bilinear=
True)
net.load_state_dict(torch.load(
"
checkpoints/skyseg0113.pth
"
, map_location=torch.device(
'
cpu
'
)))
net.eval()
#
--------- model 序列化 ---------
example
= torch.zeros(
1
,
3
,
320
,
320
) #这里经过实验，最大是 example = torch.zeros(
1
,
3
,
411
,
411
)
torch_script_module
=
torch.jit.trace(net, example)
#torch_script_module.save(
'
unet_empty.pt
'
)
torch.onnx.export(net, example,
'
checkpoints/skyseg0113.onnx
'
, opset_version=
11
)
print(
'
over
'
)
if
__name__ ==
"
__main__
"
:
main()
int
main()
{
//
参数和常量准备
Net net = readNetFromONNX(
"
E:/template/skyseg0113.onnx
"
);
if
(net.empty()) {
printf(
"
read model data failure...\n
"
);
return
-
1
;
}
//
load image data
Mat frame = imread(
"
E:\\sandbox/sky4.jpg
"
);
pyrDown(frame, frame);
Mat blob;
blobFromImage(frame, blob,
1.0
/
255.0
, Size(
320
,
320
), cv::Scalar(),
true
);
net.setInput(blob);
Mat prob
= net.forward(
"
473
"
);
//
???对于Unet来说，example最大为(411,411)，原理上来说，值越大越有利于分割
Mat slice(cv::Size(prob.size[
2
], prob.size[
3
]), CV_32FC1, prob.ptr<
float
>(
0
,
0
));
threshold(slice, slice,
0.1
,
1
, cv::THRESH_BINARY_INV);
normalize(slice, slice,
0
,
255
, NORM_MINMAX, CV_8U);
Mat mask;
resize(slice, mask, frame.size());
//
制作mask
}
。
。
int
main()
{
//
参数和常量准备
Net net = readNetFromONNX(
"
E:/template/skyseg0113.onnx
"
);
if
(net.empty()) {
printf(
"
read model data failure...\n
"
);
return
-
1
;
}
//
load image data
Mat frame = imread(
"
E:\\sandbox/sky4.jpg
"
);
pyrDown(frame, frame);
Mat blob;
blobFromImage(frame, blob,
1.0
/
255.0
, Size(
320
,
320
), cv::Scalar(),
true
);
net.setInput(blob);
Mat prob
= net.forward(
"
473
"
);
Mat slice(cv::Size(prob.size[
2
], prob.size[
3
]), CV_32FC1, prob.ptr<
float
>(
0
,
0
));
threshold(slice, slice,
0.1
,
1
, cv::THRESH_BINARY_INV);
normalize(slice, slice,
0
,
255
, NORM_MINMAX, CV_8U);
Mat mask;
resize(slice, mask, frame.size());
//
制作mask
Mat matSrc =
frame.clone();
VP maxCountour
=
FindBigestContour(mask);
Rect maxRect
=
boundingRect(maxCountour);
if
(maxRect.height ==
0
|| maxRect.width ==
0
)
maxRect
= Rect(
0
,
0
, mask.cols, mask.rows);
//
特殊情况
///
/天空替换
Mat matCloud = imread(
"
E:/template/cloud/cloud1.jpg
"
);
resize(matCloud, matCloud, frame.size());
//
直接拷贝
matCloud.copyTo(matSrc, mask);
imshow(
"
matSrc
"
, matSrc);
//
seamless clone
matSrc =
frame.clone();
Point center
= Point((maxRect.x + maxRect.width) /
2
, (maxRect.y + maxRect.height) /
2
);
//
中间位置为蓝天的背景位置
Mat normal_clone;
Mat mixed_clone;
Mat monochrome_clone;
seamlessClone(matCloud, matSrc, mask, center, normal_clone, NORMAL_CLONE);
seamlessClone(matCloud, matSrc, mask, center, mixed_clone, MIXED_CLONE);
seamlessClone(matCloud, matSrc, mask, center, monochrome_clone, MONOCHROME_TRANSFER);
imshow(
"
normal_clone
"
, normal_clone);
imshow(
"
mixed_clone
"
, mixed_clone);
imshow(
"
monochrome_clone
"
, monochrome_clone);
waitKey();
return
0
;
}
。
。
int
main()
{
//
参数和常量准备
Net net = readNetFromONNX(
"
E:/template/skyseg0113.onnx
"
);
if
(net.empty()) {
printf(
"
read model data failure...\n
"
);
return
-
1
;
}
vector
<
string
>
vecFilePaths;
getFiles(
"
e:/template/sky
"
, vecFilePaths);
string
strSavePath =
"
e:/template/sky_change_result
"
;
for
(
int
index =
0
;index<vecFilePaths.size();index++
)
{
try
{
string
strFilePath =
vecFilePaths[index];
string
strFileName;
getFileName(strFilePath, strFileName);
Mat frame
=
imread(strFilePath);
pyrDown(frame, frame);
Mat blob;
blobFromImage(frame, blob,
1.0
/
255.0
, Size(
320
,
320
), cv::Scalar(),
true
);
net.setInput(blob);
Mat prob
= net.forward(
"
473
"
);
Mat slice(cv::Size(prob.size[
2
], prob.size[
3
]), CV_32FC1, prob.ptr<
float
>(
0
,
0
));
threshold(slice, slice,
0.1
,
1
, cv::THRESH_BINARY_INV);
normalize(slice, slice,
0
,
255
, NORM_MINMAX, CV_8U);
Mat mask;
resize(slice, mask, frame.size());
//
制作mask
Mat matSrc =
frame.clone();
VP maxCountour
=
FindBigestContour(mask);
Rect maxRect
=
boundingRect(maxCountour);
if
(maxRect.height ==
0
|| maxRect.width ==
0
)
maxRect
= Rect(
0
,
0
, mask.cols, mask.rows);
//
特殊情况
Mat maskRedux(mask.size(), mask.type(), Scalar::all(
0
));
Mat roi1
=
mask(maxRect);
Mat roi2
=
maskRedux(maxRect);
roi1.copyTo(roi2);
///
/天空替换
Mat matCloud = imread(
"
E:/template/cloud/cloud2.jpg
"
);
resize(matCloud, matCloud, frame.size());
//
直接拷贝
matCloud.copyTo(matSrc, maskRedux);
matSrc
=
frame.clone();
cv::Point center
= Point((maxRect.x + maxRect.width) /
2
, (maxRect.y + maxRect.height) /
2
);
//
中间位置为蓝天的背景位置
Rect roi_s =
maxRect;
Rect roi_d(center.x
- roi_s.width /
2
, center.y - roi_s.height /
2
, roi_s.width, roi_s.height);
if
(! (
0
<= roi_d.x &&
0
<= roi_d.width && roi_d.x + roi_d.width <= matSrc.cols &&
0
<= roi_d.y &&
0
<= roi_d.height && roi_d.y + roi_d.height <=
matSrc.rows))
center
= Point(matSrc.cols /
2
, matSrc.rows /
2
);
//
这里错误的根源应该还是OpenCV 这块的代码有问题，其中roi_s不应该适用BoundingRect进行处理.所以采取补救的方法
Mat mixed_clone;
seamlessClone(matCloud, matSrc, maskRedux, center, mixed_clone, MIXED_CLONE);
string
saveFileName = strSavePath +
"
/
"
+ strFileName +
"
_cloud2.jpg
"
;
imwrite(saveFileName, mixed_clone);
}
catch
(Exception *
e)
{
continue
;
}
}
int
main()
{
Mat src
= imread(
"
e:/template/tiantan.jpg
"
);
Mat matCloud
= imread(
"
E:/template/cloud/cloud2.jpg
"
);
Mat mask
= imread(
"
e:/template/tiantanmask2.jpg
"
,
0
);
resize(matCloud, matCloud, src.size());
resize(mask, mask, src.size());
Mat matSrc
=
src.clone();
Mat board
=
mask.clone();
cvtColor(board, board, COLOR_GRAY2BGR);
//
寻找模板最大轮廓
VP maxCountour =
FindBigestContour(mask);
Rect maxRect
=
boundingRect(maxCountour);
//
异常处理
Mat maskCopy =
mask.clone();
copyMakeBorder(maskCopy, maskCopy,
1
,
1
,
1
,
1
, BORDER_ISOLATED | BORDER_CONSTANT, Scalar(
0
));
Rect roi_s
=
boundingRect(maskCopy);
if
(roi_s.empty())
return
-
1
;
cv::Point center
= Point((maxRect.x + maxRect.width) /
2
, (maxRect.y + maxRect.height) /
2
);
Rect roi_d(center.x
- roi_s.width /
2
, center.y - roi_s.height /
2
, roi_s.width, roi_s.height);
if
(!(
0
<= roi_d.x &&
0
<= roi_d.width && roi_d.x + roi_d.width <= matSrc.cols &&
0
<= roi_d.y &&
0
<= roi_d.height && roi_d.y + roi_d.height <=
matSrc.rows))
center
= Point(matSrc.cols /
2
, matSrc.rows /
2
);
//
融合
Mat normal_clone, mixed_clone, monochrome_clone;
seamlessClone(matCloud, matSrc, mask, center, normal_clone, NORMAL_CLONE);
seamlessClone(matCloud, matSrc, mask, center, mixed_clone, MIXED_CLONE);
seamlessClone(matCloud, matSrc, mask, center, monochrome_clone, MONOCHROME_TRANSFER);
waitKey();
return
0
;
}
。
。
。
。
。
。
。
。
。
。
。
最后此篇关于基于Unet+opencv实现天空对象的分割、替换和美化的文章就讲到这里了,如果你想了解更多关于基于Unet+opencv实现天空对象的分割、替换和美化的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。
29
4
0
我想对一个字符串执行搜索和替换，比如 password。 正如您从问题中了解到的那样，替换后的字符串应变为 sdvvzrug。 但不幸的是，下面的代码输出bbbbcaab: $search = ran
我正在使用 futurize --stage2它应用了许多源代码转换以使代码 python2 和 python3 兼容。其中一个修复是所有分区 a/b 都替换为 old_div(a/b)，我想避免这种
我正在使用 RStudio，但我在控制台上的输出被截断了。我找不到如何停止截断(我尝试搜索 ?options 以及在谷歌上搜索的时间比我想承认的要长)。 编辑:我向大家道歉!我最初的长名称为“This
我有一个 fragment 堆栈，我在其中使用替换和相加。添加或替换我的 fragment 的代码(在我的 Activity 中)如下 private fun addFragment(fragment
我在一个数组中插入了一些字符串，但在我这样做之前，我想按照主题所说的去做。只用 %20 替换空格，我这样做: Name.push(linkText.replace(" ", "%20")); 但是我如
我正在尝试编译和测试我在网上看到的代码 Expanding an IP add 。但是，当我尝试编译它时，我收到有关 StringBuilder 替换方法的错误。它说: IPadd.java:52:
我正在尝试使用 dplyr 的最新功能重写我的部分代码，方法是将 data.frame() 替换为 data_frame() 和 cbind() 与 bind_cols(): library(rgeo
我最近偶然发现了 replace()和 "[ x.tst s.tst s.tst [,1] [,2] [,3] [1,] 0 0 0
我一直想知道，如何在给定的参数内进行替换。 如果你有这样的一行: 123,Hello,World,(I am, here), unknown 你想更换 World与 Foobar那么这是一个简单的任务
如何转义字符串中的双引号？例如， input: "Nobody" output: \"Nobody\" 我尝试过这样的操作，但不起作用: String name = "Nobody"; name.r
我正在做类似的事情: SQL sql sQl SqL var ps = document.getElementsByTagName('p'); for(var i = 0; i 但它不会替换文本。
我正在尝试用 \" 替换所有 " 并用 JSON 解析字符串，但浏览器抛出错误 SyntaxError: JSON Parse error: Unrecognized token '\'. 下面是代码
大家好，在这里挣扎...... 是否可以将第一个正斜杠之间的任何内容替换为“”，但保留其余部分？ 例如var 将是 string "/anything-here-this-needs-to-be-re
在下面的代码中，JavaScript 替换函数中的 alert(a) 将提醒匹配的字符串，在本例中，将是 {name} 和 {place}。 这按照文档 javascript docs 的描述工作，即
+-----------------------------+ | tables | +-------------------
我正在尝试用\"替换包含 "的字符串，下面是我尝试过的程序 String s="\"/test /string\""; s = s.replaceAll("\"", "\\\"");
var text = "a's ..a's ...\"... "; text = convert(text); function convert( text ) { var n = text
我正在尝试使用 JavaScript 中的替换函数，但有一个问题。 strNewDdlVolCannRegion = strNewDdlVolCannRegion.replace(/_existing
好吧，首先我对我的上一篇文章感到非常抱歉，但我真的需要帮助，我会把我真正想要的东西放在一个更清晰的代码中。我不擅长 javascript，所以希望你能帮助我。
我正在写一张纸条，遇到了障碍。可能有更有效的方法来执行此操作，但我对 Python 还很陌生。我正在尝试创建用户生成的 IP 地址列表。我正在使用 print 来查看生成的值是否正确。当我运行此代码时
我是一名优秀的程序员,十分优秀！