语义分割标签制作全过程（适合新手）

本人刚接触这方面不久，在网上搜索了很多文章，发现很多文章都存在一些弊端，自己做了一些总结，方法比较基础，但亲测有效。
首先，我们得有一些原始图片，然后通过labelme标注后得到json文件（labelme使用大家可以去搜一下），接下来我们需要做的是将json文件转换为可用于训练的标签集。
网上很多说python中自带了一个脚本json_to_dataset.py可以转换（路径在python安装路径下，比如我的是在D:\python3.6.7\Lib\site-packages\labelme\cli中），调用方法是在cmd下输入： labelme_json_to_dataset <文件名>.json，就可以得到标签图片（保存路径就是json文件目录下），但有一个问题就是，一次性只能转换一张标签，这多麻烦啊。于是，很多人写了脚本，可以批量化转换，但就我目前看到批量转换脚本，大多存在着一个致命的问题，就是对于不同图片，他的类别标注是对应不上的（这些脚本只是负责把图送到json_to_dataset.py,并没有对标签进行其他处理），看下图：

从上面两张图片可以看出，两种完全不是同一类别的东西都被赋予相同的颜色（也即相同标签），这肯定不是我们想要的。
然后就想尝试了一个比较官方的方法：先将json文件转换为voc格式的文件（为什么要这样做呢，因为voc格式算是比较官方的格式，针对其的转换程序也是正规的，解决了批量转换和不同类别时被赋予不同的像素的问题），然后就在github上找打了一个voc的转换脚本，链接在这里：https://github.com/wkentaro/labelme/tree/master/examples/semantic_segmentation，里面有教程教你怎么调用，这里就直接写下吧，cmd下输入：
python ./labelme2voc.py（尽量写绝对路径） 图片和json文件存放的路径（放在一起） 保存路径 --labels labels.txt路径（中间都是空格隔开）
这里需要注意的是，你需要将你自己的标签类别制作成一个txt文本（也就是上面调用命令中的labels.txt），你可以仿照上面那个链接中的labels.txt做，这个程序会根据你的类别去转换，然后你就会得到四个文件夹，其中有用的只有两个JPEGImages(原图像)，SegmentationClassPNG(voc格式的标签图像)，转换后的标签如下图所示：

可以看到，两种不同的东西被赋予了不同的标签，但是这种图片是索引图（索引图是为了增强灰度图的差异性，其实他也是单通道的，只不过每一个灰度都对应着一种颜色），如果你的模型是要求索引图作为标签，那么到这里就已经完成了；如果你的模型是要求灰度图作为标签，那么还得进行第二步转换（错把索引图当做灰度图作为标签，可能出现label out of boundary的错误提示），即将voc格式的索引图转换为可用于训练的灰度图（看上去是全黑的）。这里有两种方法：
1.先读取索引图中各种类别的像素值，然后一一改过来，比如上面球像素值是125，然后遍历就把所有图片中的125的像素值都改为1（表示第一个类别），而红色的是225，就把所有图片中的225都改为2，然后再保存为灰度图格式就可以了。这种方法对于类别较多的就比较麻烦，而且遍历每一个像素值耗时很大。
2.第二种是我在网上找到的转换脚本，很快很好用

"""Removes the color map from segmentation annotations.
Removes the color map from the ground truth segmentation annotations and save
the results to output_dir.
"""
#源程序链接：https://github.com/tensorflow/models/tree/master/research/deeplab/datasets
#该程序用于将voc格式的索引图片转换为可用于语义分割的灰度图片，因为TensorFlow版本的缘故，在原程序上做了少许改动
#tf.__version__==1.12

import glob
import os.path
import numpy as np
from PIL import Image
import tensorflow as tf

#FLAGS = tf.compat.v1.flags.FLAGS
FLAGS = tf.flags.FLAGS
tf.flags.DEFINE_string('original_gt_folder',#读取voc格式的png图片路径
                                 'F:\Dataset_segmentaion\data_dataset_voc\SegmentationClassPNG',#default
                                 'Original ground truth annotations.')#help
tf.flags.DEFINE_string('segmentation_format', 'png', 'Segmentation format.')
tf.flags.DEFINE_string('output_dir',#保存路径
                                 'F:\Dataset_segmentaion\data_dataset_voc\labels',
                                 'folder to save modified ground truth annotations.')


def _remove_colormap(filename):
  """Removes the color map from the annotation.
  Args:
    filename: Ground truth annotation filename.
  Returns:
    Annotation without color map.
  """
  return np.array(Image.open(filename))


def _save_annotation(annotation, filename):
  """Saves the annotation as png file.
  Args:
    annotation: Segmentation annotation.
    filename: Output filename.
  """
  
  pil_image = Image.fromarray(annotation.astype(dtype=np.uint8))
  '''
  with tf.io.gfile.GFile(filename, mode='w') as f:
  #with open(filename, mode='w') as f:
    print(f)
    pil_image.save(f, 'PNG')
    '''
  pil_image.save(filename)


def main(unused_argv):
  # Create the output directory if not exists.
  if not os.path.exists(FLAGS.output_dir):
    os.makedirs(FLAGS.output_dir)
  #if not tf.io.gfile.isdir(FLAGS.output_dir):
    #tf.io.gfile.makedirs(FLAGS.output_dir)

  annotations = glob.glob(os.path.join(FLAGS.original_gt_folder,
                                       '*.' + FLAGS.segmentation_format))
  for annotation in annotations:
    raw_annotation = _remove_colormap(annotation)
    filename = os.path.basename(annotation)[:-4]
    _save_annotation(raw_annotation,
                     os.path.join(
                         FLAGS.output_dir,
                         filename + '.' + FLAGS.segmentation_format))


if __name__ == '__main__':
  #tf.compat.v1.app.run()
  tf.app.run()

只需要将上面存放voc格式的png图像路径以及保存路径改成你自己的路径即可，转换后的图片是这样的：

你没有看错，就是全黑的，但只是看上去，除了背景像素值为零，其他的像素值不是零（可以调用np.unique(image)看看），比如你有21个类别，那么，对应的像素就是0-21，但看上去就是一团黑，不好分辨，因此才有了上面的索引图。到这里，标签图片就只做完成了，希望对大家有帮助。