道路图像分割实战：从数据采集到预处理的全流程避坑指南

1次阅读

没有评论

共计 2444 个字符，预计需要花费 7 分钟才能阅读完成。

道路图像分割是自动驾驶和智能交通系统中的核心任务，其目标是将图像中的道路区域、车道线、障碍物等关键要素进行像素级分类。然而，在实际项目中，数据质量问题往往是影响模型性能的最大瓶颈。以下是几个常见的数据问题及其影响：

标注不准确 ：标注边界模糊或漏标，导致模型学习到错误的特征。例如，车道线标注偏移 3 个像素，可能导致模型在测试集上的 IoU 下降 5%-8%。
噪声干扰 ：雨天反光、运动模糊等噪声会掩盖真实道路特征。实验表明，未处理的夜间图像可使分割精度降低 20% 以上。
类别不平衡 ：障碍物像素占比通常不足 5%，模型易偏向道路主导类别。

公开数据集推荐 ：

Cityscapes：50 个城市的街景，精细标注 19 类物体（5000 张精细标注 +20000 张粗标注）
BDD100K：10 万张北美道路图像，包含昼夜多种天气条件
ApolloScape：中国道路数据，侧重复杂立交桥场景

自定义采集要点 ：

设备选择：至少 1080P 摄像头，推荐使用偏振滤镜减少反光
采集频率：城市道路建议 10Hz 采样，高速公路可降至 5Hz
环境覆盖：必须包含晴天 / 雨天、白天 / 夜间、高峰 / 平峰等组合场景

标注工具对比 ：

工具	适用场景	标注效率（像素 / 小时）
LabelMe	小规模项目	800-1200
CVAT	团队协作	1500-2000
Supervisely	专业级标注	2000+

关键标注规则 ：

道路边界：包含路肩但不含绿化带，模糊边界需团队复核
车道线：虚线按实际间隔标注，双黄线需区分物理隔离带
障碍物：高度 >30cm 的固定物体必须标注，动态物体按出现频率决定

去噪代码示例 （基于 OpenCV）：

import cv2
import numpy as np

def denoise_image(img_path):
    """
    综合去噪流程：1. 自适应直方图均衡化处理低光照
    2. 非局部均值去噪保留边缘
    3. 形态学闭运算填充车道线缝隙
    """
    img = cv2.imread(img_path)

    # 转换到 LAB 空间处理明度通道
    lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
    l, a, b = cv2.split(lab)

    # CLAHE 增强对比度
    clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8))
    l_enhanced = clahe.apply(l)

    # 合并通道并转回 BGR
    enhanced_lab = cv2.merge((l_enhanced,a,b))
    enhanced = cv2.cvtColor(enhanced_lab, cv2.COLOR_LAB2BGR)

    # 非局部均值去噪
    denoised = cv2.fastNlMeansDenoisingColored(enhanced, None, h=10, hColor=10, templateWindowSize=7, searchWindowSize=21)

    # 车道线增强
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
    closed = cv2.morphologyEx(denoised, cv2.MORPH_CLOSE, kernel)

    return closed

标注校验方法 ：

def check_annotation(mask_path):
    """
    标注质量检查：1. 检测非连续区域（可能漏标）2. 验证类别 ID 合法性
    3. 计算各类别面积占比
    """
    mask = cv2.imread(mask_path, cv2.IMREAD_GRAYSCALE)

    # 检查无效像素值
    unique_vals = np.unique(mask)
    valid_classes = [0,1,2,7]  # 0= 背景,1= 道路,2= 车道线,7= 障碍物
    illegal_vals = set(unique_vals) - set(valid_classes)
    if illegal_vals:
        print(f"警告：发现非法标注值 {illegal_vals}")

    # 计算各类占比
    total_pixels = mask.size
    road_pct = np.sum(mask==1)/total_pixels*100
    lane_pct = np.sum(mask==2)/total_pixels*100

    print(f"道路占比：{road_pct:.1f}%")
    print(f"车道线占比：{lane_pct:.1f}%")

    # 连通域分析
    _, labels = cv2.connectedComponents((mask==2).astype(np.uint8))
    if labels.max() > 50:  # 车道线连通域过多可能标注碎片化
        print("警告：车道线标注可能不连续")

不同预处理方法在 Cityscapes 验证集上的表现：