labelme标注的结果裁切成小图片

图像均匀裁剪并修改对应的labelme标注文件_裁切图像与 label json-CSDN博客文章浏览阅读546次，点赞3次，收藏5次。因为在大图上进行使用labelme进行了标注，但在实际训练过程中发现大图（大概4000x4000）训练的结果并不好，小目标尺寸相比之下非常小（50x50），所以考虑将大图进行裁剪后再进行训练，同时根据已经标注好的json格式文件生成对应的小图的标注。_裁切图像与 label jsonhttps://blog.csdn.net/transfer_ya/article/details/134244659

代码基于以上文章修改，原始文章只支持rectangle 标注类型，这里增加polygon的切割。

原始代码没有对base64图片进行处理，这里增加处理

基于我个人的需求，需100%匹配才切图。arc的没做处理，因为我一开始就避免使用arc

json 需和jpg在同级目录且同名。 目前labelme的数据就是这样子放的。

from queue import Full
import cv2
import json
import os
import base64
from PIL import Image
import io

def tobase64(img):
    # OpenCV 读取的图像是 BGR 格式，而 PIL 以及大多数显示工具使用 RGB 格式
    # 因此需要转换颜色通道
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

    # 将 NumPy 数组转换成 PIL 图像对象
    pil_image = Image.fromarray(img)

    # 将 PIL 图像对象转换为 bytes
    byte_arr = io.BytesIO()
    pil_image.save(byte_arr, format='JPEG')
    byte_arr = byte_arr.getvalue()

    # 对 bytes 进行 base64 编码
    base64_image = base64.b64encode(byte_arr).decode('utf-8')
    return base64_image

# 读取大图的JSON文件
def splitImgandJson(IPath_json, IPath_img, OPath_json, OPath_img):
 
    events = os.listdir(IPath_json)
    events = [x for x in events if x.endswith('.json')]
    #循环处理每一张图像和标注
    for onevent in events:
        name = onevent.split('.json')[0]
        img_name = name + '.jpg'
 
        with open(os.path.join(IPath_json, onevent), 'r') as json_file:
            large_json_data = json.load(json_file)
 
        # 读取大图的JPEG图像
        large_image = cv2.imread(os.path.join(IPath_img, img_name))
 
        # 定义每个小图的大小
   
        crop_width, crop_height = 500, 500  # 可以根据需要调整大小
 
        # 循环裁剪图像并生成新的JSON文件
        L_H = large_image.shape[0]
        L_W = large_image.shape[1]
        for i in range(0, L_H, crop_height):
            for j in range(0, L_W, crop_width):
                # 裁剪图像
                small_image = large_image[i:i + crop_height, j:j + crop_width]
 
                # 创建新的JSON数据，基于大图的JSON数据进行调整
                small_json_data = large_json_data.copy()
 
                # 遍历大图标注看是否存在在小图中
                new_target = []  # 替换'shapes'
                for items in large_json_data[('shapes')]:
                    # 提取边界框坐标
                    x1, y1 = items["points"][0]
                    x2, y2 = items["points"][1]
                    # 判断目标框在小图中的位置
                    # 1、目标框全在小图中
                    new_item = items.copy()
                    mc = [p for p in items['points'] if (p[0] > j and p[0] < j+crop_width) and (p[1] >i and p[1] <i+crop_height)]
                    if len(mc) == len(items['points']):
                        new_item['points'] = []
                        for p in items['points']:
                            new_item['points'].append([p[0]-j,p[1]-i])
                        new_target.append(new_item)
                if new_target != []:
                    small_json_data['shapes'] = new_target
                    small_json_data["imageWidth"] = crop_width
                    small_json_data["imageHeight"] = crop_height
                    small_json_data['imageData'] = tobase64(small_image)
 
                    # 保存小图的JSON文件
                    small_json_filename = f'{name}_{i}_{j}.json'
                    with open(os.path.join(OPath_json, small_json_filename), 'w') as small_json_file:
                        json.dump(small_json_data, small_json_file, indent=4)
 
                    # 保存小图的JPEG图像
                    small_image_filename = f'{name}_{i}_{j}.jpg'
                    cv2.imwrite(os.path.join(OPath_img, small_image_filename), small_image)
 
                # 完成后，你会得到多个小图像和对应的JSON文件
 
 
 
if __name__ == '__main__':
    IPath_json = 'E:\pycode\ghbz\markbz'
    IPath_img = 'E:\pycode\ghbz\markbz'
    OPath_json = 'E:\pycode\ghbz\img_s500'
    OPath_img = 'E:\pycode\ghbz\img_s500'
 
    if not os.path.exists(OPath_json):
        os.mkdir(OPath_json)
    if not os.path.exists(OPath_img):
        os.mkdir(OPath_img)
 
    splitImgandJson(IPath_json,IPath_img,OPath_json,OPath_img)