BSDS500图像分割数据集下载与使用指南：从数据获取到实战应用

1次阅读

共计 2271 个字符，预计需要花费 6 分钟才能阅读完成。

BSDS500（Berkeley Segmentation Dataset 500）是计算机视觉领域广泛使用的经典图像分割基准数据集，由加州大学伯克利分校于 2011 年发布。它包含 500 张自然图像（200 训练 +100 验证 +200 测试），每张图像由 5 -10 位标注者手工绘制语义边界标注，常用于评估图像分割和边缘检测算法性能。

数据集特点：

多样性：涵盖人物、动物、风景、建筑等常见场景
精细标注：每个像素标注为边界或非边界，包含多尺度分割结果
学术通用性：PASCAL VOC 等大赛的参考标准之一

访问伯克利官网下载页：https://www2.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/resources.html
点击 ”BSDS500 dataset” 部分的下载链接（约 1.2GB）

Kaggle 镜像：https://www.kaggle.com/datasets/balraj98/berkeley-segmentation-dataset-500
百度网盘（国内用户）：https://pan.baidu.com/s/1abcde12345（示例链接，需替换）

断点续传：使用 IDM 或 wget - c 命令
压缩包损坏：校验 MD5 值（官方提供）
网速慢：尝试清华镜像源或 Kaggle 下载

解压后目录结构：

BSDS500/
├── images/         # 原始图像
│   ├── train/      # 训练集 200 张
│   ├── val/        # 验证集 100 张
│   └── test/       # 测试集 200 张
└── groundTruth/    # 标注文件
    ├── train/
    ├── val/
    └── test/

标注文件格式说明：

文件扩展名：.mat（MATLAB 格式）
数据结构：每个文件包含以下字段
boundaries: 边界标注（0/ 1 矩阵）
segmentation: 区域分割标签
可通过 scipy.io.loadmat() 读取

# 必需库安装
!pip install numpy opencv-python scipy matplotlib

import cv2
import numpy as np
from scipy.io import loadmat
import matplotlib.pyplot as plt

# 示例图像路径
img_path = 'BSDS500/images/train/100007.jpg'
gt_path = 'BSDS500/groundTruth/train/100007.mat'

# 加载图像和标注
def load_sample(img_path, gt_path):
    # 读取图像
    image = cv2.cvtColor(cv2.imread(img_path), cv2.COLOR_BGR2RGB)

    # 读取 MAT 标注文件
    gt = loadmat(gt_path)
    boundaries = gt['groundTruth'][0][0][0][0][1]  # 边界标注
    segmentation = gt['groundTruth'][0][0][0][0][0]  # 区域标注

    return image, boundaries, segmentation

# 可视化函数
def visualize(image, boundaries, segmentation):
    plt.figure(figsize=(15,5))

    # 显示原始图像
    plt.subplot(131)
    plt.imshow(image)
    plt.title('Original Image')

    # 显示边界标注
    plt.subplot(132)
    plt.imshow(boundaries, cmap='gray')
    plt.title('Boundaries')

    # 显示区域分割
    plt.subplot(133)
    plt.imshow(segmentation, cmap='jet')
    plt.title('Segmentation')

    plt.show()

# 执行可视化
image, boundaries, segmentation = load_sample(img_path, gt_path)
visualize(image, boundaries, segmentation)