步驟2：用于可視化從輸入中獲取的分割圖像的功能。def run＿visualization（）：
 ＂＂＂Inferences DeepLab model and visualizes result．＂＂＂
 try：
   original＿im ＝ Image．open（IMAGE＿NAME）
 except IOError：
   print（＇Cannot retrieve image． Please check url： ＇ ＋ url）
   returnprint（＇running deeplab on image＇）
 resized＿im， seg＿map ＝ MODEL．run（original＿im）
 vis＿segmentation（resized＿im， seg＿map）
 return resized＿im， seg＿map

2．1：使用前面顯示的圖像調(diào)用上述功能。IMAGE＿NAME ＝ ＇download2．jpg＇
resized＿im， seg＿map ＝ run＿visualization（）
分割后輸出。

2．2：現(xiàn)在，我們讀取輸入圖像并將其轉(zhuǎn)換為numpy數(shù)組。print（type（resized＿im））
numpy＿image ＝ np．a(chǎn)rray（resized＿im）

步驟3：分離背景和前景。在此步驟中，我們創(chuàng)建圖像的副本，然后，通過(guò)將背景中的值替換為0，并在已創(chuàng)建蒙版的位置保留255，將背景和前景與分割后的圖像分開(kāi)，此處7表示汽車類別。person＿not＿person＿mapping ＝ deepcopy（numpy＿image）
person＿not＿person＿mapping［seg＿map �。� 7］ ＝ 0
person＿not＿person＿mapping［seg＿map ＝＝ 7］ ＝ 255

3．1：可視化分離的蒙版圖像plt．imshow（person＿not＿person＿mapping）

正如上一步中所述，背景已被黑色替換，汽車蒙版已變?yōu)榘咨�，同樣，通過(guò)替換這些值，我們也沒(méi)有丟失任何重要信息。

3．2：調(diào)整蒙版圖像的大小使其等于原始圖像。在分割過(guò)程之后，圖像的大小減小了，在我們的例子中，圖像的大小減小為（300 x 500），因此我們將圖像的大小調(diào)整為原始大小，即（900 x 596）。orig＿imginal ＝ Image．open（IMAGE＿NAME）
orig＿imginal ＝ np．a(chǎn)rray（orig＿imginal）mapping＿resized ＝ cv2．resize（person＿not＿person＿mapping，
                            （orig＿imginal．shape［1］，
                             orig＿imginal．shape［0］），
                             Image．ANTIALIAS）
mapping＿resized．shape

3．3：二值化由于調(diào)整了大小，圖像生成的值在0，1，2…255之間，為了再次將值限制在0–255之間，我們必須使用Otsu的Binarization技術(shù)對(duì)圖像進(jìn)行二值化。簡(jiǎn)而言之，Otsu的Binarization是一種尋找灰度圖像閾值的自適應(yīng)方法，它遍歷0－255范圍內(nèi)的所有可能閾值，并找到給定圖像的最佳可能閾值。在內(nèi)部，它基于一些統(tǒng)計(jì)概念（例如方差），以根據(jù)所選閾值找出類別。一旦選擇了最佳閾值，則大于閾值的像素值將被視為白色像素，小于閾值的像素值將被視為黑色像素。

gray ＝ cv2．cvtColor（mapping＿resized， cv2．COLOR＿BGR2GRAY）
blurred ＝ cv2．GaussianBlur（gray，（15，15），0）
ret3，thresholded＿img ＝ cv2．threshold（blurred，0，255，cv2．THRESH＿BINARY＋cv2．THRESH＿OTSU）
plt．imshow（thresholded＿img）