AffectNet数据集下载剪裁清洗

数据集下载链接：AffectNet – Mohammad H. Mahoor, PhD (mohammadmahoor.com)

数据集介绍：

1. 数据集包含11个类别的表情，根据其他研究者的使用的情况来看，前面7类或者8类是常使用的。

2.数据集分为手动和自动标注两个部分：

自动标注的数据集更大一些，53万多张并且没有分割出训练集和训练集。

手动标注的数据集分割出来了训练集和数据集，一共有42万张左右。

3.标注的内容和数据都放在csv表格里面，表头分别是：图片的相对路径，图像中表情人脸的坐标，facial_landmark（人脸标注点），表情类型，

valence和arousal是心理学里面的术语，valence是衡量情感价值或者情感的愉悦度，正面情感具有高 valence，而负面情感具有低 valence。

arousal是情感的激活或唤醒水平，Arousal 可以是高或低，高唤醒水平可能与兴奋、紧张或愤怒等情感状态相关，而低唤醒水平可能与放松、平静或无聊等状态相关。

在情感分析和人机交互领域，valence 和 arousal 常常一起使用，它们构成了情感状态的两个维度，可以用来更细致地描述和分析一个人的情感体验。这种二维情感模型有时被称为情感的 "情感空间"（affective space），可以用来表示情感的不同状态，如快乐、悲伤、愤怒或恐惧等。

数据集清洗：

1.通过标注点把人脸图像表情裁剪出来

出现的问题

1）找不到部分图片

2）图片位置标注为NULL

代码：

# 首先把图片按照csv文件中的图像的坐标把图像裁剪出来
# 再按照类别把图像按照不同的类别放在不同的文件夹中
import os
import csv
from PIL import Image, UnidentifiedImageError

init_path= '。。。\AffectNet' # root path
image_path = os.path.join(init_path,'Manually_Annotated\Manually_Annotated\Manually_Annotated_Images')
annot_path = os.path.join(init_path,'Manually_Annotated_file_lists')

# 读取csv文件的内容，根据第一列的内容找到图片第一列图片的相对路径 file_path=（689/737db2483489148d783ef278f43f486c0a97e140fc4b6b61b84363ca.jpg），根据后面的坐标剪裁
# 完整的路径是 pic_path=os.path.join(image_path,file_path)
# 两个csv文件，trian和val

# 定义裁剪图像的函数

def crop_image(image_path, left, top, width, height):
    try:
        with Image.open(image_path) as img:
            cropped_image = img.crop((left, top, left + width, top + height))
            return cropped_image
    except (IOError, FileNotFoundError, UnidentifiedImageError) as e:
        print(f"Skipping image {image_path} due to an error: {e}")
        return None


# 处理CSV文件
def process_csv(file_name, category_folder,init_path):
    with open(os.path.join(annot_path, file_name), newline='') as csvfile:
        reader = csv.reader(csvfile)
        next(reader)  # 跳过标题行
        for row in reader:
            # Check if any of the coordinates are NULL and skip the row
            if 'NULL' in row[1:5]:
                print(f"Skipping row with NULL coordinates: {row}")
                continue

            file_path = row[0]  # 第一列是文件路径
            left, top, width, height = map(int, row[1:5])
            category = row[6]  # 第7列是类别

            # 构建完整的图片路径
            full_image_path = os.path.join(image_path, file_path)
            full_image_path = os.path.normpath(full_image_path) # 标准化路径
            # 裁剪图像
            cropped_image = crop_image(full_image_path, left, top, width, height)

            if cropped_image:
                # 创建类别文件夹，如果不存在的话
                category_dir = os.path.join(init_path, category_folder, category)
                if not os.path.exists(category_dir):
                    os.makedirs(category_dir)

                # 保存裁剪后的图像到对应的类别文件夹
                file_name = os.path.basename(file_path)
                cropped_image.save(os.path.join(category_dir, file_name))
            else:
                print(f"Could not process image {full_image_path}, skipping.")


# 处理训练集和验证集
process_csv('training.csv', 'train',init_path)
process_csv('validation.csv', 'val',init_path)