pytorch 使用crf后处理代码，报错。
原因，输入的图片尺寸不同。
让图片尺寸保持一致即可。
详细代码
import numpyas np
import pydensecrf.densecrfas dcrf
import cv2
from cv2import imread, imwrite
from pydensecrf.utilsimport unary_from_labels, create_pairwise_bilateral, create_pairwise_gaussian
"""
original_image_path 原始图像路径predicted_image_path 之前用自己的模型预测的图像路径CRF_image_path 即将进行CRF后处理得到的结果图像保存路径"""
def CRFs(original_image_path, predicted_image_path, CRF_image_path):
img = imread(original_image_path)
# 将predicted_image的RGB颜色转换为uint32颜色0xbbggrr
anno_rgb = imread(predicted_image_path)
anno_rgb= cv2.resize(anno_rgb, (512,512), )
anno_rgb=anno_rgb.astype(np.uint32)
anno_lbl = anno_rgb[:, :,0] + (anno_rgb[:, :,1] <<8) + (anno_rgb[:, :,2] <<16)
# 将uint32颜色转换为1,2,...
colors, labels = np.unique(anno_lbl,return_inverse=True)
# 如果你的predicted_image里的黑色（0值）不是待分类类别，表示不确定区域，即将分为其他类别
# 那么就取消注释以下代码
HAS_UNK =0 in colors
if HAS_UNK:
colors = colors[1:]
# 创建从predicted_image到32位整数颜色的映射。
colorize = np.empty((len(colors),3), np.uint8)
colorize[:,0] = (colors &0x0000FF)
colorize[:,1] = (colors &0x00FF00) >>8
colorize[:,2] = (colors &0xFF0000) >>16
# 计算predicted_image中的类数。
n_labels =len(set(labels.flat))
# n_labels = len(set(labels.flat)) - int(HAS_UNK) ##如果有不确定区域，用这一行代码替换上一行
###########################
### 设置CRF模型###
###########################
use_2d =False
# use_2d = True
###########################################################
##不是很清楚什么情况用2D
##作者说“对于图像，使用此库的最简单方法是使用DenseCRF2D类”
##作者还说“DenseCRF类可用于通用（非二维）密集CRF”
##但是根据我的测试结果一般情况用DenseCRF比较对
#########################################################33
if use_2d:
# 使用densecrf2d类
d = dcrf.DenseCRF2D(img.shape[1], img.shape[0], n_labels)
# 得到一元势（负对数概率）
U = unary_from_labels(labels, n_labels,gt_prob=0.2,zero_unsure=None)
# U = unary_from_labels(labels, n_labels, gt_prob=0.2, zero_unsure=HAS_UNK)## 如果有不确定区域，用这一行代码替换上一行
d.setUnaryEnergy(U)
# 增加了与颜色无关的术语，功能只是位置而已
d.addPairwiseGaussian(sxy=(3,3),compat=3,kernel=dcrf.DIAG_KERNEL,
normalization=dcrf.NORMALIZE_SYMMETRIC)
# 增加了颜色相关术语，即特征是(x,y,r,g,b)
d.addPairwiseBilateral(sxy=(80,80),srgb=(13,13,13),rgbim=img,compat=10,
kernel=dcrf.DIAG_KERNEL,
normalization=dcrf.NORMALIZE_SYMMETRIC)
else:
# 使用densecrf类
d = dcrf.DenseCRF(img.shape[1] * img.shape[0], n_labels)
# 得到一元势（负对数概率）
# U = unary_from_labels(labels, n_labels, gt_prob=0.7, zero_unsure=None)
U = unary_from_labels(labels, n_labels,gt_prob=0.7,zero_unsure=HAS_UNK)## 如果有不确定区域，用这一行代码替换上一行
d.setUnaryEnergy(U)
# 这将创建与颜色无关的功能，然后将它们添加到CRF中
feats = create_pairwise_gaussian(sdims=(3,3),shape=img.shape[:2])
d.addPairwiseEnergy(feats,compat=3,kernel=dcrf.DIAG_KERNEL,
normalization=dcrf.NORMALIZE_SYMMETRIC)
# 这将创建与颜色相关的功能，然后将它们添加到CRF中
feats = create_pairwise_bilateral(sdims=(80,80),schan=(13,13,13),
img=img,chdim=2)
d.addPairwiseEnergy(feats,compat=10,
kernel=dcrf.DIAG_KERNEL,
normalization=dcrf.NORMALIZE_SYMMETRIC)
####################################
### 做推理和计算###
####################################
# 进行5次推理
Q = d.inference(5)
# 找出每个像素最可能的类
MAP = np.argmax(Q,axis=0)
# 将predicted_image转换回相应的颜色并保存图像
MAP = colorize[MAP, :]
imwrite(CRF_image_path, MAP.reshape(img.shape))
print("CRF图像保存在", CRF_image_path,"!")
