利用SegNet训练自己的数据集----制作自己的数据集
制作自己的数据集
鉴于论文原作者开源的SegNet网络是基于caffe框架的，而我们所用的框架是tensorflow，所以在github上找了一些tensorflow代码。本次全天空云图分割实验就是用的https://github.com/aizawan/segnet，整个代码很清晰，稍作修改就可以在CamVid数据集上进行Segnet网络训练。
但是仅仅在CamVid数据集上跑通SegNet网络是实验开始的第一步，我们的目标是想利用segnet网络来分割我们收集到的全天空云图，因此该怎样制作数据集呢？
制作的步骤（以制作训练集为例）：
从全天空云图仪网址上，按照顺序收集原图像以及分割后的标注图,分别放在两个文件夹里，命名为原图及标注。
（1）观察收集到的原图以及标注图，都是jpg格式的RGB图，size为2000×1944。由于图片尺寸过大，难以训练，因此首先对两个文件下的图片resize成480×360，并保存为png格式。
（2）再对resize后的标注图进行批量灰度化，保存在“灰度标注图”的文件夹下。批量灰度化后时，一定将标注图的灰度固定为三个值0,1，2,代表三个类别,分别为云,天空,太阳。不能有多余的其他灰度值，否则会出错。
（3）制作训练文本，将原图与灰度化后的标注图对应联系起来
以下是具体代码：
(1) 制作输入图像
利用下述代码，对原图文件夹的图像批量resize，并保存在原图修改大小这个文件夹下，作为segnet神经网络的输入，也就是训练集的原图。
#提取目录下所有图片,更改尺寸后保存到另一目录
from PIL import Image
import os.path
import glob
def convertjpg(jpgfile, outdir, width=480, height=480):
img = Image.open(jpgfile)
new_img = img.resize((width, height), Image.NEAREST)
#采用最近邻算法进行缩放，主要是保证灰度化后不同类之间的灰度值差异大
outdir1 = os.path.join(outdir, os.path.basename(jpgfile))
outdir2 = outdir1.split('.')
new_img.save(outdir2[0], 'png')#将图像保存为.png格式
for jpgfile in glob.glob("原图/*.jpg"):
convertjpg(jpgfile, "原图修改大小")
(２) 制作标注图像
首先对收集到的标注文件夹中的图像做同样的resize操作，并保存在标注修改大小文件夹下，再对这个文件夹下的图像批量灰度化，并保存在灰度图文件夹下。
from PIL import Image
import numpy as np
import os.path
import glob
def convert_gray(pngfile):
img=Image.open(pngfile).convert('L')
img.save(os.path.join('灰度图', os.path.basename(pngfile)),'png')
for pngfile in glob.glob('标注修改大小/*'):
convert_gray(pngfile)
灰度化之后，可通过im.show()查看单张图像灰度值，突然发现，同一类的灰度值是变化的，显然并不符合标注的要求（标注要求同一类的物体其灰度值是不变的），因此需要对此进行固定灰度。
经过用ps查看灰度值，发现云、天空、太阳这三类的灰度值虽然是变化的，但存在明显的分段，因此在这里将灰度值在20-60之间的像素其灰度值重设为1（代表云类），60-80之间的像素灰度值重设为2（代表天空类），其余设为0（代表太阳）。
经上述处理的灰度图保存为灰度标注图文件下，即可获得训练集的标注图。
from PIL import Image
from pylab import *
import numpy
import glob
import os.path
def convert(pngfile):
im = array(Image.open(pngfile))
w = im.shape[0]
h = im.shape[1]
for x in range(w):
for y in range(h):
if im[x][y]>=20 and im[x][y]<60:#云
im[x][y]=1
elif im[x][y]>=60 and im[x][y]<100:#天空
im[x][y]=2
else:
im[x][y] = 0
img = Image.fromarray(im.astype('uint8'))
img.save(os.path.join('灰度标注图', os.path.basename(pngfile)), 'png')
for pngfile in glob.glob('灰度图/*'):
convert(pngfile)
取原图修改大小文件中的图片为segnet网络的输入，取灰度标注图中的图片为Segnet网络的标注。
(3) 制作训练与测试文本
对于原图与标注而言，是放入两个文件夹下的，总得有一个联系将输入图像与对应的标注串起来。下图就是训练的文本，ASC100-1006_001是图片的名称，前面的是输入图像中的路径与图像名，后者是标注的路径与图像名。segnet通过读取这个txt文本，即可获取路径，提取图片进行训练。
由此，真正得到了训练集。测试集的步骤类似不再赘述。
注意到：
1、上述文件都是相对路径，可以根据自己的情况，修改为绝对路径，也是能行的；
2、保存为png格式时有点诡异，我并没有在图像名后面加上.png后缀，有些Windows可能无法显示，只要加上.png后缀就可以显示图像，反正在ubuntu下是可以看见的，而且在读取图像时，按照名称读取，如果名称没有包含jpg、png等后缀，则不需要加上；
3、之前用python一直不报错但是没有出处理结果，对于这种批量文件处理，可以先对单一图像进行处理，有结果了，再写个循环，对文件批量处理。