步骤2：用于可视化从输入中获取的分割图像的功能。def run＿visualization（）：
 ＂＂＂Inferences DeepLab model and visualizes result．＂＂＂
 try：
   original＿im ＝ Image．open（IMAGE＿NAME）
 except IOError：
   print（＇Cannot retrieve image． Please check url： ＇ ＋ url）
   returnprint（＇running deeplab on image＇）
 resized＿im， seg＿map ＝ MODEL．run（original＿im）
 vis＿segmentation（resized＿im， seg＿map）
 return resized＿im， seg＿map

2．1：使用前面显示的图像调用上述功能。IMAGE＿NAME ＝ ＇download2．jpg＇
resized＿im， seg＿map ＝ run＿visualization（）
分割后输出。

2．2：现在，我们读取输入图像并将其转换为numpy数组。print（type（resized＿im））
numpy＿image ＝ np．array（resized＿im）

步骤3：分离背景和前景。在此步骤中，我们创建图像的副本，然后，通过将背景中的值替换为0，并在已创建蒙版的位置保留255，将背景和前景与分割后的图像分开，此处7表示汽车类别。person＿not＿person＿mapping ＝ deepcopy（numpy＿image）
person＿not＿person＿mapping［seg＿map ！＝ 7］ ＝ 0
person＿not＿person＿mapping［seg＿map ＝＝ 7］ ＝ 255

3．1：可视化分离的蒙版图像plt．imshow（person＿not＿person＿mapping）

正如上一步中所述，背景已被黑色替换，汽车蒙版已变为白色，同样，通过替换这些值，我们也没有丢失任何重要信息。

3．2：调整蒙版图像的大小使其等于原始图像。在分割过程之后，图像的大小减小了，在我们的例子中，图像的大小减小为（300 x 500），因此我们将图像的大小调整为原始大小，即（900 x 596）。orig＿imginal ＝ Image．open（IMAGE＿NAME）
orig＿imginal ＝ np．array（orig＿imginal）mapping＿resized ＝ cv2．resize（person＿not＿person＿mapping，
                            （orig＿imginal．shape［1］，
                             orig＿imginal．shape［0］），
                             Image．ANTIALIAS）
mapping＿resized．shape

3．3：二值化由于调整了大小，图像生成的值在0，1，2…255之间，为了再次将值限制在0–255之间，我们必须使用Otsu的Binarization技术对图像进行二值化。简而言之，Otsu的Binarization是一种寻找灰度图像阈值的自适应方法，它遍历0－255范围内的所有可能阈值，并找到给定图像的最佳可能阈值。在内部，它基于一些统计概念（例如方差），以根据所选阈值找出类别。一旦选择了最佳阈值，则大于阈值的像素值将被视为白色像素，小于阈值的像素值将被视为黑色像素。

gray ＝ cv2．cvtColor（mapping＿resized， cv2．COLOR＿BGR2GRAY）
blurred ＝ cv2．GaussianBlur（gray，（15，15），0）
ret3，thresholded＿img ＝ cv2．threshold（blurred，0，255，cv2．THRESH＿BINARY＋cv2．THRESH＿OTSU）
plt．imshow（thresholded＿img）