樣本畢設相關

整體思路

1、結合目标檢測的相關算法進行改進

U-net連接配接淺層網絡（針對小目标的生成）；Centernet的高斯掩碼。

2、不需要糾結監督資訊的問題，是否加入溫度資訊（如何加入溫度資訊）需要考慮

3、将目标摳出來單獨進行評估、訓練很有必要

制作灰階圖mask

材質分割相關/生成灰階圖Mask.py

生成出來的效果不太好，如下：

用opencv的時候注意下處理圖檔，讀入的時候預設是uint8類型，轉成float後再處理要正常的多。

直接平均效果不好。

【使用：材質分割相關/生成灰階圖Mask3.py，效果如下】

之前因為mask_car有白邊，是以效果一直不行

/pytorch-CycleGAN-and-pix2pix-master/datasets/visdrone_4181_daytime/mask_MultiGray2/

制作mask

把弱光場景、光源不均衡場景去掉

最終得到4181張圖檔，分成三類mask：汽車、綠色植物、路面及其他建築物

cv2.threshold()

cv2.threshold (源圖檔, 門檻值, 填充色, 門檻值類型)

Args：

src：源圖檔，必須是單通道

thresh：門檻值，取值範圍0～255

maxval：填充色，取值範圍0～255

type：門檻值類型，具體見下表

在HSV空間提取圖檔的綠色部分

# 讀入RGB圖像
    rgb_image = cv2.imread(img_pth)

    # 提取綠色分量
    lower_green = np.array([35, 43, 46])
    upper_green = np.array([77, 255, 255])
    hsv = cv2.cvtColor(rgb_image, cv2.COLOR_BGR2HSV)
    mask = cv2.inRange(hsv, lower_green, upper_green)  # lower20===>0,upper200==>0,
           

對目标的多邊形矩陣進行填充

# 繪制填充的圖
        cv2.fillPoly(demo,[points_],(255,0,0))