Crowding Counter 之 裁剪图像进行数据集扩充

现有的Crowding Counter任务数据集大小均不大，例如ShanghaiTech数据集的大小就几百张，因此为了增强训练的效果，通常会将数据集进行扩充，较为简单的方法就是将原始的图像进行局部裁剪，从而达到扩充的目的。

以下代码以ShanghaiTech的数据集为示例（不同示例数据集的.mat文件读取方法不同）

文件说明：

原始.mat文件放在groundPath/下；

原始图像放在imagePath/下；

因为将一张图像裁剪为9份，因此用for循环控制每一次的图像存储到单独的一个文件夹中；

def createImageAndMat():
	originalIndex = [    # 从这些点开始裁剪矩阵
					[50,50],[250,50],[400,50],
					[50,100],[250,100],[400,100],
					[50,250],[250,250],[400,250]
				]

	h = 425    # 需要裁剪矩阵的长和宽
	w = 565
	image_index = 300

	for index_i in range(0, 9):
		x = originalIndex[index_i][0]
		y = originalIndex[index_i][1]
		for i in range(1,301):
			print(i)
			image = imagePath+"IMG_"+str(i)+".jpg"
			img = cv2.imread(image)
			cropImg = img[(y):(y+h), (x):(x+w)]
			cv2.imwrite("./justPoint/img_"+str(index_i+1)+"/IMG_"+str(image_index+i)+".jpg", cropImg)

			mat = loadmat(groundPath+"GT_IMG_"+str(i)+".mat")
			coordinates = mat["image_info"][0][0][0][0][0]
			coords = []
			for j in range(0, len(coordinates)):
				x_1 = coordinates[j][0]
				y_1 = coordinates[j][1]
				if x_1 >= x and x_1 <= x+w:
					if y_1 >= y and y_1 <= y+h:
						x_1 = x_1-x
						y_1 = y_1-y
						coords.append([x_1, y_1])
			mat["image_info"][0][0][0][0][0] = coords
			scipy.io.savemat("./justPoint/ground_truth_"+str(index_i+1)+"/GT_IMG_"+str(image_index+i)+".mat", mat)
		image_index += 300    # 原始图像为300张，每次裁剪生成300个新图像，因此加300

当得到裁剪后的图像以及.mat文件后，可以用下面代码进行将mat文件中的点标注到图像上来查看是否正确：

def showImageaAfterProcess():
	for i in range(601,900):
		img = "./justPoint/img_2/IMG_"+str(i)+".jpg"
		image = cv2.imread(img)

		mat = loadmat("./justPoint/ground_truth_2/GT_IMG_"+str(i)+".mat")
		coords = mat["image_info"][0][0][0][0][0]
		print(len(coords))

		point_size = 1
		point_color = (0, 0, 255) # BGR
		thickness = 4 #  0 、4、8
		for coor in coords:
			cv2.circle(image, (int(coor[0]),int(coor[1])), point_size, point_color, thickness)
		cv2.imwrite("./justPoint/img_3/IMG_"+str(i)+".jpg", image, [int(cv2.IMWRITE_JPEG_QUALITY),95])

由于裁剪后的图像尺寸小于原始图像，因此如果需要将原始图像和裁剪后的图像进行大小调整，可以参考这篇博客：https://blog.csdn.net/zxs0222/article/details/107899079

完毕；