解决图片拼接边界问题——深度学习。

换了新的公司，在工作中遇到一个问题，把尺寸较大的图片输入网络中，无法直接输入，裁剪成网络要求的shp大小再拼接，会出现接边很明显的问题，但是网络输入尺寸大小固定，也不能改图片的大小，因此采用识别两次的方法，解决图像接边问题，但是可能不是最优的方法，先记录下来。

 

print("处理接边")
        for i in range(padding_h // stride):
            for j in tqdm.tqdm(range(padding_w // stride)):
                if i < (padding_h // stride)-1 and j < (padding_w // stride)-1:
                    crop2 = padding_img[i * stride+128:i * stride + image_size+128, j * stride+128:j * stride + image_size+128, :]
                    crop2 = np.expand_dims(crop2, axis=0)  # 喂入的数据要求是(n, 256,256,3) 但是实际上维度是不满足的
                    pred2 = model.predict(crop2, verbose=2)  # 使用模型进行预测，预测数据导入
                    # print (np.unique(pred))
                    pred2 = pred2.reshape((256, 256)).astype(np.uint8)  # 将结果整理为256*256
                    # print 'pred:',pred.shape
                    mask_whole[i * stride+128+2:i * stride+ image_size+128-2, j * stride+128+2:j * stride + image_size+128-2] = pred2[2:-2,
                                                                                                         2:-2]

完成效果图