assert len(images) == len(segmentations)#判断长度是否相等
Wie man die Dimensionalität erhöht
train_image_data_r = train_image_data_r [:, : ,: ,np.newaxis]
train_label_data_r =train_label_data_r [:, : ,: ,np.newaxis]
Kanalumwandlung
label_data=cv2.cvtColor(label_data,cv2.COLOR_BGR2GRAY)
label_data = cv2.cvtColor(label_data, cv2.COLOR_GRAY2RGB)
cv_img=cv2.imread("C:/Users/Terry/Desktop/trial/image0.bmp",-1)
Wenn es als -1 gelesen wird, ist das Bild (720, 960, 4),
wenn es als 1 gelesen wird, das Bild ist (720, 960, 3), wenn die wahre Farbe
als 0 gelesen wird, ist das Bild (720, 960) ,), grauer Gradgraph
def cv_imread(filePath):
cv_img = cv2.imdecode(np.fromfile(filePath, dtype=np.uint8), -1)
#cv2.imshow(cv_img)
#cv2.waitKey(0)
return cv_img
Imread kann Bilder mit chinesischen Pfaden nicht lesen. Verwenden Sie die obige Funktion cv2.imdecode, um Bilder mit chinesischen Pfaden zu lesen. flag = -1, 0, 1 ist dasselbe wie imread.
with open(image_list_file) as infile:
for line in infile:
data_path = os.path.join(train_image_folder, line.split()[0])
images_path.append(data_path)
label_path = os.path.join(train_image_folder, line.split()[1])
labels_path.append(label_path)
for image, label in zip(images_path, labels_path):
Der Hauptdatensatz hier ist die Zip-Methode, bei der zwei Wörterbücher zu einem zusammengeführt werden. Dann separat ausgeben. Ich bin der Meinung, dass diese Methode auch einfach anzuwenden ist und auch verwendet werden kann, um trainimg und trainlabel getrennt zu verpacken.