【计算机视觉】FCN、Seg-Net、U-Net模型进行图像分割实战（附源码和数据集超详细必看）

痛定思痛。 2023-09-30 17:39 40阅读 0赞

> **需要源码和数据集请点赞关注收藏后评论区留言私信~~~**

## 一、图像分割的概念 ##

图像分割（image segmentation）技术是计算机视觉领域的重要研究方向，是图像识别、图像语义理解的重要一环。图像分割是指将图像分成若干具有相似性质的区域的过程，从数学角度来看，图像分割是将图像划分成互不相交的区域的过程。如下图所示，图像中的每个像素被分到不同的类别。与目标检测算法相比较，图像分割算法更适合精细的图像识别任务，更适合目标的精确定位、复杂形状物体的识别、图像的语义理解任务。

图像分割可以进一步地分为语义分割与实例分割，语义分割是指需要进一步判断图像中哪些像素属于哪类目标，但是语义分割不区分属于相同类别的不同实例，与此不同的是，实例分割可以区分出属于不同实例的那些像素

![93465dc3d8c649f3ad61e52a94d423b3.png][]

## 二、图像分割评价标准 ##

对分割结果的评价其实就是对像素级分类的评价，基于像素点分类的MaxF1评价分割效果是比较常用的一种方式，F-Measure是一种统计量，F-Measure又称为F-Score，是准确率Precision和召回率Recall的加权调和平均，是信息检索领域常用的一个评价标准，常用于评价分类模型的好坏，在F-Measure函数中，当参数B=1时就是常见的F1，它综合了Precision和Recall的结果，当F1较高时则能说明试验方法比较有效，对于输出的置信度图，通过设置不同的像素级分类阈值可以选择出最大的F-Measure

![3b5d1acf79264082b4ac8d645ca58741.png][]

下图为三种分割算法在VOC2012测试机上性能表示，其中DeepLab的分割准确率最高，FCN的分割速度最高，SegNet则在分割的准确率和速度中都是最低

![c8f67bb6c777441b984e713964e2fdfe.png][]

## 三、图像分割项目实战 ##

需要全部源码请点赞关注收藏后评论区留言私信~~~

数据集简介

Cityscapes数据库拥有5000张在城市环境中驾驶场景的图像（2975train，500 val,1525test），如下图所示。可以利用下面的代码测试分割的图像中车辆、行人、自行车及街景。

![8daabaa2417f44d6a13c38326581124f.png][]

### 代码如下 ###

#### FCN32的模型构建代码如下 ####

模型图如下

![95766bae3a6b462298fcad12a59376eb.png][]

#### FCN8模型构建代码如下 ####

from keras.applications import vgg16
    from keras.models import Model,Sequential
    from keras.layers import Conv2D, Conv2DTranspose, Input, Cropping2D, add, Dropout, Reshape, Activation
    
    
    def FCN8_helper(nClasses,  input_height, input_width):
    
        assert input_height % 32 == 0
        assert input_width % 32 == 0
    
        img_input = Input(shape=(input_height, input_width, 3))
    
        model = vgg16.VGG16(
            include_top=False,
            weights='imagenet',input_tensor=img_input,
            pooling=None,
            classes=1000)
        assert isinstance(model,Model)
    
        o = Conv2D(filters=4096, kernel_size=(7, 7), padding="same", activation="relu", name="fc6")(model.output)
        o = Dropout(rate=0.5)(o)
        o = Conv2D(filters=4096, kernel_size=(1, 1), padding="same", activation="relu", name="fc7")(o)
        o = Dropout(rate=0.5)(o)
    
        o = Conv2D(filters=nClasses, kernel_size=(1, 1), padding="same", activation="relu", kernel_initializer="he_normal",
                   name="score_fr")(o)
    
        o = Conv2DTranspose(filters=nClasses, kernel_size=(2, 2), strides=(2, 2), padding="valid", activation=None,
                            name="score2")(o)
    
        fcn8 = Model(inputs=img_input, outputs=o)
        # mymodel.summary()
        return fcn8
    
    def FCN8(nClasses, input_height, input_width):
    
        fcn8=FCN8_helper(nClasses, input_height, input_width)
    
        # Conv to be applied on Pool4
        skip_con1 = Conv2D(nClasses, kernel_size=(1, 1), padding="same", activation=None,kernel_initializer="he_normal",
                           name="score_pool4")( fcn8.get_layer("block4_pool").output)
        Summed = add(inputs=[skip_con1, fcn8.output])
    
        x = Conv2DTranspose(nClasses, kernel_size=(2, 2), strides=(2, 2), padding="valid", activation=None,
                            name="score4")(Summed)
    
        ###
        skip_con2 = Conv2D(nClasses, kernel_size=(1, 1), padding="same", activation=None,kernel_initializer="he_normal",
                           name="score_pool3")( fcn8.get_layer("block3_pool").output)
        Summed2 = add(inputs=[skip_con2, x])
    
        #####
        Up = Conv2DTranspose(nClasses, kernel_size=(8, 8), strides=(8, 8),
                             padding="valid", activation=None, name="upsample")(Summed2)
    
        Up = Reshape((-1, nClasses))(Up)
        Up = Activation("softmax")(Up)
    
        mymodel=Model(inputs=fcn8.input,outputs=Up)
    
        return mymodel
    
    if __name__ == '__main__':
        m = FCN8(15,320, 320)
        from keras.utils import plot_model
        plot_model(m, show_shapes=True, to_file='model_fcn8.png')
        print(len(m.layers))

![543bf0fa7c2e4d4180c8f5791c19d08c.png][]

**创作不易 觉得有帮助请点赞关注收藏~~~**

[93465dc3d8c649f3ad61e52a94d423b3.png]: https://img-blog.csdnimg.cn/93465dc3d8c649f3ad61e52a94d423b3.png
[3b5d1acf79264082b4ac8d645ca58741.png]: https://img-blog.csdnimg.cn/3b5d1acf79264082b4ac8d645ca58741.png
[c8f67bb6c777441b984e713964e2fdfe.png]: https://img-blog.csdnimg.cn/c8f67bb6c777441b984e713964e2fdfe.png
[8daabaa2417f44d6a13c38326581124f.png]: https://img-blog.csdnimg.cn/8daabaa2417f44d6a13c38326581124f.png
[95766bae3a6b462298fcad12a59376eb.png]: https://img-blog.csdnimg.cn/95766bae3a6b462298fcad12a59376eb.png
[543bf0fa7c2e4d4180c8f5791c19d08c.png]: https://img-blog.csdnimg.cn/543bf0fa7c2e4d4180c8f5791c19d08c.png