方法一：

dataProcess.py · yangyin2020/Unet_RSimage_Multi-band_Multi-class - Gitee.com

def dataPreprocess(img, label, classNum, colorDict_GRAY):# 歸一化img = img / 255.0for i in range(colorDict_GRAY.shape[0]):label[label == colorDict_GRAY[i][0]] = i# 將數據厚度擴展到classNum層new_label = np.zeros(label.shape + (classNum,))# 將平面的label的每類，都單獨變成一層for i in range(classNum):new_label[label == i,i] = 1 label = new_labelreturn (img, label)

方法二：

Unet 語義分割模型（Keras）| 以細胞圖像為例___不想寫代碼__的博客-CSDN博客

seg_labels = np.zeros_like(png)seg_labels[png<=127.5] = 1#--------------------------------# 轉化為 one hot 標簽# -------------------------seg_labels = np.eye(self.num_classes + 1)[seg_labels.reshape([-1])]seg_labels = seg_labels.reshape((int(self.input_shape[0]), int(self.input_shape[1]), self.num_classes + 1))images.append(jpg)targets.append(seg_labels)# 這里為什么要num_classes再加1？？？？？

總結

以上是生活随笔為你收集整理的图像分割（多分类）将mask变为one hot label的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。