Numpy 基于keras和预训练pspnet50的图像分割

我有一个预训练的keras模型pspnet50_ad20k，想从中得到一个分割图像。输入是形状为（1473，473，3）的numpy数组中的图像，它返回形状为（1473，473，150）的数组，因为该模型预测了150个不同的类

import os
os.environ['KERAS_BACKEND'] = "tensorflow"
from keras.models import model_from_json

json_file = open('/data/pspnet50_ade20k.json', 'r')
loaded_model_json = json_file.read()
json_file.close()
loaded_model = model_from_json(loaded_model_json)
# load weights into new model
loaded_model.load_weights("/data/pspnet50_ade20k.h5")
print("Loaded model from disk")

# img_array contains img in shape (1, 473, 473, 3)
result = loaded_model.predict(img_array)
# result contains img in shape (1, 473, 473, 150)

我的问题：如何从生成的数组中获得分割图像？我不得不对图像中预测的150个类进行着色，但我不知道如何。有人能给我解释一下吗？

json\u file=open（'/data/pspnet50\u ade20k.json'，'r'） 使用的模型u以预测50类的方式编码，重新编码或更改模型 构建自己的模型来预测需要多少类

---

最好使用keras构建您自己的模型，并加载以下权重：loaded_model.load_weights（“/data/pspnet50_ade20k.h5”）

ade20k数据集有150个类，这就是为什么您的网络最终输出

（1473，473，150）

。150表示每个像素位置上150个类的概率。因此您需要更改最后一层，通常是

conv2d（256，class=150，kernel\u size=1）

。请将150替换为50，这是您想要预测的类数，并在您自己的数据集上微调您的模型

对于着色预测，您可以这样做

从PIL导入图像
将numpy作为np导入
预测=np.argmax（预测，轴=3）#获取最大概率标签
palete=np.loadtxt（'path/to/ade20k_colors.txt'）。astype（'uint8'））
#`ade20k_colors.txt的格式`
# 120 120 120
# 180 120 120
# 6 230 230
# 80 50 50
# 4 200 3
# ...
color=Image.fromarray（prediction.astype（np.uint8））.convert（'P'）
调色板（调色板）
#颜色是彩色的。