由NYUv2生成边界GT(1)可知，我们每张GT图片都生成一个对应的.bin文件。存放在D:\datasets\data_proc\train\edge_labels_40文件夹下，下一步我们需要生成.png文件，即需要使用convert_bin_to_png.py。

# -*- coding: utf-8 -*-
import numpy as np
import torch
from PIL import Image
import cv2
import os
import shutil
import imageio
imsave = imageio.imsavedef convert_num_to_bitfield(label_data, h, w,root_folder,name,cls_num=40):label_list = list(label_data)all_bit_tensor_list = []for n in label_list:  # Iterate in each pixel# Convert a value to binary format in each bit.bitfield = np.asarray([int(digit) for digit in bin(n)[2:]])#用二进制表示n，从2开始因为前两个是符号0bbit_tensor = torch.from_numpy(bitfield)actual_len = bit_tensor.size()[0]padded_bit_tensor = torch.cat((torch.zeros(cls_num - actual_len).byte(), bit_tensor.byte()), dim=0)all_bit_tensor_list.append(padded_bit_tensor)y = list(set(all_bit_tensor_list))all_bit_tensor_list = torch.stack(all_bit_tensor_list).view(h, w, cls_num)#(307200,40)y_y = torch.unique(all_bit_tensor_list)#(0,1)label_png_dir = os.path.join("label_img",name)  # eg: label_img/label_img_test_2008_002687pixel = torch.unique(all_bit_tensor_list)print("label_png_dir:{0}".format(label_png_dir))print(pixel)if not os.path.exists(os.path.join(root_folder, label_png_dir)):os.makedirs(os.path.join(root_folder, label_png_dir))for cls_idx in range(cls_num):imsave(os.path.join(root_folder, label_png_dir, str(cls_idx) + '.png'),all_bit_tensor_list[:, :, cls_idx].numpy())if __name__ == "__main__":f = open('D:/datasets/data_orig/train.txt', 'r')lines = f.readlines()edge_label_root_folder = 'D:/datasets/data_proc/train/edge_labels_40'rgb_root_folder = 'D:/datasets/data_proc/train/rgb'root_folder = 'D:/datasets/data_proc/train'cnt = 0for ori_line in lines:#'0003\n'cnt += 1line = ori_line.splitlines()name = line[0]img_path = os.path.join(rgb_root_folder, name + '.png')img = Image.open(img_path).convert('RGB')w, h = img.sizelabel_path = os.path.join(edge_label_root_folder, name + '.bin')label_data = np.fromfile(label_path, dtype=np.uint64)convert_num_to_bitfield(label_data, h, w,root_folder,name,cls_num=40)# w, h = 640,480# label_path = os.path.join(edge_label_root_folder,'0003.bin')# label_data = np.fromfile(label_path, dtype=np.uint64)# convert_num_to_bitfield(label_data, h, w,root_folder)

1：首先从if name == “main”:开始，打开train.txt，其实生成的.bin文件有自己的txt文件，但是我觉得和rgb的train.txt一样，就直接使用train.txt是一样的。
2：读取每一行的内容，在python中使用f.readlines()读取，则lines 里面共有七百多个数值对应七百多张训练图片。
3：找到edge_label_root_folder ，rgb_root_folder ，分别存放的边界gt，.bin文件，rgb，.png文件。这里给出root_folder是因为需要在root_folder 文件夹下生成一个新的文件夹label_img来存放由.bin转换为.png的边界GT。
4：遍历 lines ，同时添加一个计数的，注这里因为lines会产生’0003\n’，需要将\n去掉，所以添加了.splitlines()，然后会生成一个[‘0003’]，需要通过索引将’0003’取出来。
5：我们有路径，也有路径下对应的name，就可以找到对应的rgb文件下的.png文件。打开，转换为RGB，并获得对应.png文件的大小。
6：接着我们获得edge_label_root_folder文件下对应的.bin文件。
7：通过np.fromfile载入二进制文件，注：这里dtype=np.uint64，只有uint64可以存放下2的40次方这么大的数据，原来SBD数据集只有20个类别，所以dtype=np.uint32是可以的，但是NYUv2有40个类别，采用dtype=np.uint64会导致错误，生成的通道该有的边缘没有，最后一个通道甚至包含了全部的类别，上个星期没发现这个错误，导致生成的边界是错误的，被老师发现狠狠地批评了一顿。
载入文件后，输出的是(480x640,1)的array。
8：接着将标签数据进行转换：
8.1：将label转换为一个list，然后逐个进行处理。将n转换为二进制，然后取第二位之后的数字，因为数字转换为二进制后，前两个数字是0b。
8.2：将其转换为tensor，然后获取数据的长度。
8.3：生成一个(cls_num - actual_len)大小的0矩阵，和经过tensor转换后的二进制长度拼接在一起。这个地方就关系到之前的2的num_class次方，通过对不同的像素，即不同的类进行‘编码’，在这里对编码的数字进行解码。这样生成的数据就为当前像素值的二进制编码，从左往右第一个1开始，前面全部补0，直到总共40位。
8.4：然后将concat之后的数字堆叠在一起，每一个是长度为40，共有480x640个。然后转换为(h, w, cls_num)大小。每一个像素都有40位，那么reshape之后，假设第一个像素40位中位于第几位等于1，就转换为40个通道中位于第几个通道为1。即为该通道对应的类别。

8.5：接着执行label_png_dir，生成root_folder/label_png_dir路径。
8.6：逐个通道进行遍历，将每个通道保存到root_folder/label_png_dir路径下，执行40次。

9：对每一个通道可视化：以0003.bin转换后为例：