BSDS500分割数据集的下载及简单处理

下载地址：https://www2.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/resources.html#bsds500

由于groundtruth是以mat格式存储的，所以有时用的时候需要先转换成jpg格式。从网上看了一下没找到能直接用的，于是参考bolg写了一个处理的代码。

参考：https://blog.csdn.net/zhou_438/article/details/103490859

将代码中的root换成你数据集实际所在位置，然后直接运行代码，就可以在你数据集文件夹 BSRBSDS500data 中多出一个GT_convert文件夹，就是转换后的结果。

from scipy import io
import scipy
import os
###运行时需要改变root值为BSD500所在的相应根目录
root = 'F:\lyc\Data_Set\BSR\BSDS500'
PATH = os.path.join(root,'data\groundTruth')


for sub_dir_name in ['train','test','val']:
    sub_pth = os.path.join(PATH,sub_dir_name)
    ##为生成的图片新建个文件夹保存
    save_pth = os.path.join(root,'data\GT_convert',sub_dir_name)
    os.makedirs(save_pth,exist_ok=True)
    print('开始转换'+sub_dir_name+'文件夹中内容')
    for filename in os.listdir(sub_pth):
        # 读取mat文件中所有数据
        #mat文件里面是以字典形式存储的数据
        #包括 dict_keys(['__globals__', 'groundTruth', '__header__', '__version__'])
        #我们要用到'groundTruth']中的轮廓
        #x['groundTruth'][0][0][0][0][1]为轮廓
        #x['groundTruth'][0][0][0][0][0]为分割图
        data = io.loadmat(os.path.join(sub_pth,filename))
        edge_data = data['groundTruth'][0][0][0][0][1]
        #存储的是归一化后的数据：0<x<1
        #因此需要还原回0<x<255
        edge_data_255 = edge_data * 255
        new_img_name = filename.split('.')[0]+'.jpg'
        print(new_img_name)
        scipy.misc.imsave(os.path.join(save_pth,new_img_name), edge_data_255)  # 保存图片

 参考其他bolg对数据集进行的处理，但是crf对其中中间模糊像素不进行处理，一直以为是作者自己对数据集进行扩充的，后来发现不是，如果自己扩充他就不会与未扩充的方法进行比较，原来多个ground truth就藏在这个数据集中

        a = data['groundTruth'][0][1][0][0][1]*255
        b = data['groundTruth'][0][2][0][0][1]*255
        c = data['groundTruth'][0][3][0][0][1]*255
        d = data['groundTruth'][0][4][0][0][1]*255
        e = data['groundTruth'][0][5][0][0][1]*255
        f = data['groundTruth'][0][0][0][0][1]*255

　　分别是6个ground truth。BSDS500数据集提出时只说是对BSDS300进行扩充，因此要看数据集具体构成要看BSDS300的论文。

另外：以mat存储的矩阵是可以用python直接读取的，因此并不一定要先转换成图片存储：

import scipy.io as scio
mat_path = './test.mat'
mat = scio.loadmat(mat_path)

　　就可以获取mat矩阵了