上周完成的代码在一些图片上的效果相当好，比如：
但由于天空分割算法有一些简单和局限，因此出现了一些分割的不好的情况，比如：
因此，我觉得有必要在得到mask之后就进行一次判断，判断该mask是否过于参差不齐，也就是每一列最纵深的一个像素行程的序列的跳跃程度不能太大。当然，这种跳跃的高度和出现跳跃现象的次数，都要和原图的宽和高进行对比，得到的比率才是一个衡量标准。我衡量了十几张处理不好的图片，用gap_rate和gap_length_rate两个指标来衡量一张mask的好坏。核心代码如下：
last = maxd[0]
limit = rows//100
res = 0
number = 0
for k in range(1,cols):
cur = maxd[k]
if(abs(cur-last)>limit):
res += 1
number += abs(cur-last)
for r in range(0,rows):
mask[r,k] = 127
last = cur
gap_rate = res/cols
gap_length_rate = number/rows
print("vertical line:"+str(res))
print("gap rate:"+str(gap_rate))
print("gap length rate:"+str(gap_length_rate))
#0.035
#0.55
if(gap_rate>=0.035 or gap_length_rate >= 0.55):
show = np.zeros(ori.shape,np.uint8)
for i in range(0,rows) :
for j in range(0,cols) :
for k in range(0,3):
show[i,j,k] = ori[i,j,k]
else :
show = np.zeros(ori.shape,np.uint8)
for i in range(0,rows) :
for j in range(0,cols) :
if mask[i,j]== 255 or i<maxdepth[j]:
differ = 0
for k in range(0,3):
dis = maxdepth[j] - i
if dis<24:
a = 32 - dis
plus = 8*dis-1
show[i,j,k] = ori[i,j,k]*a//32 + plus
else:
show[i,j,k] = ori[i,j,k]//4 + 191
A = (int)(show[i,j,k])
B = (int)(show[i,j-1,k])
if(abs(A-B)>20):
differ+=1
if(differ==3):
for k in range(0,3):
A = (int)(show[i,j,k])
B = (int)(show[i,j-1,k])
newval = (A+B)//2
show[i,j,k] = (np.uint8)(newval)
if(i<maxdepth[j]-35):
show[i, j, k] = ori[i, j, k]//4 + 191
elif(i<maxdepth[j]-20):
show[i,j,k] = ori[i,j,k]//3 + 169
elif(i<maxdepth[j]-25):
show[i,j,k] = ori[i,j,k]//2 + 127
elif(i<maxdepth[j]-20):
show[i,j,k] = ori[i,j,k]*2//3 + 84
elif(i<maxdepth[j]-15):
show[i,j,k] = ori[i,j,k]*3//4 + 63
elif(i<maxdepth[j]-7):
show[i,j,k] = ori[i,j,k]*7//8 + 31
elif(i<maxdepth[j]-5):
show[i,j,k] = ori[i,j,k]*15//16 + 15
else:
show[i,j,k] = ori[i,j,k]*31//32 + 7
else:
for k in range(0,3):
show[i,j,k] = ori[i,j,k]
这样，在遇到过于参差不齐的mask分割面之后，算法会检测到异常的gap_rate或者gap_length_rate，然后不对图像进行后处理，而是直接返回深度模型的处理结果，从而避免了返回有问题的图片。