在工作中。在做数据集时，需要对图片进行处理，照相的图片我们只需要特定的部分，所以就想到裁剪一种所需的部分。当然若是图片有规律可循则使用opencv对其进行膨胀腐蚀等操作。这样更精准一些。
一、指定图像位置的裁剪处理
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
|
import os import cv2 # 遍历指定目录，显示目录下的所有文件名def CropImage4File(filepath,destpath): pathDir = os.listdir(filepath) # 列出文件路径中的所有路径或文件 for allDir in pathDir: child = os.path.join(filepath, allDir) dest = os.path.join(destpath,allDir) if os.path.isfile(child): image = cv2.imread(child) sp = image.shape #获取图像形状：返回【行数值，列数值】列表 sz1 = sp[0] #图像的高度（行 范围） sz2 = sp[1] #图像的宽度（列 范围） #sz3 = sp[2] #像素值由【RGB】三原色组成 #你想对文件的操作 a=int(sz1/2-64) # x start b=int(sz1/2+64) # x end c=int(sz2/2-64) # y start d=int(sz2/2+64) # y end cropImg = image[a:b,c:d] #裁剪图像 cv2.imwrite(dest,cropImg) #写入图像路径 if __name__ == '__main__': filepath ='F:\\\maomi' #源图像 destpath='F:\\maomi_resize' # resized images saved here CropImage4File(filepath,destpath) |
二、批量处理—指定图像位置的裁剪
我这个是用来截取发票的印章区域，用于图像分割（公司的数据集保密）
各位可以用自己的增值发票裁剪。适当的更改截取区域
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
|
"""处理数据集 和 标签数据集的代码：（主要是对原始数据集裁剪） 处理方式：分别处理 注意修改 输入 输出目录 和 生成的文件名 output_dir = "./label_temp" input_dir = "./label""""import cv2import osimport sysimport timedef get_img(input_dir): img_paths = [] for (path,dirname,filenames) in os.walk(input_dir): for filename in filenames: img_paths.append(path+'/'+filename) print("img_paths:",img_paths) return img_pathsdef cut_img(img_paths,output_dir): scale = len(img_paths) for i,img_path in enumerate(img_paths): a = "#"* int(i/1000) b = "."*(int(scale/1000)-int(i/1000)) c = (i/scale)*100 time.sleep(0.2) print('正在处理图像： %s' % img_path.split('/')[-1]) img = cv2.imread(img_path) weight = img.shape[1] if weight>1600: # 正常发票 cropImg = img[50:200, 700:1500] # 裁剪【y1,y2：x1,x2】 #cropImg = cv2.resize(cropImg, None, fx=0.5, fy=0.5, #interpolation=cv2.INTER_CUBIC) #缩小图像 cv2.imwrite(output_dir + '/' + img_path.split('/')[-1], cropImg) else: # 卷帘发票 cropImg_01 = img[30:150, 50:600] cv2.imwrite(output_dir + '/'+img_path.split('/')[-1], cropImg_01) print('{:^3.3f}%[{}>>{}]'.format(c,a,b))if __name__ == '__main__': output_dir = "../img_cut" # 保存截取的图像目录 input_dir = "../img" # 读取图片目录表 img_paths = get_img(input_dir) print('图片获取完成 。。。！') cut_img(img_paths,output_dir) |
三、多进程（加快处理）
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
|
#coding: utf-8"""采用多进程加快处理。添加了在读取图片时捕获异常，OpenCV对大分辨率或者tif格式图片支持不好处理数据集 和 标签数据集的代码：（主要是对原始数据集裁剪） 处理方式：分别处理 注意修改 输入 输出目录 和 生成的文件名 output_dir = "./label_temp" input_dir = "./label""""import multiprocessingimport cv2import osimport timedef get_img(input_dir): img_paths = [] for (path,dirname,filenames) in os.walk(input_dir): for filename in filenames: img_paths.append(path+'/'+filename) print("img_paths:",img_paths) return img_pathsdef cut_img(img_paths,output_dir): imread_failed = [] try: img = cv2.imread(img_paths) height, weight = img.shape[:2] if (1.0 * height / weight) < 1.3: # 正常发票 cropImg = img[50:200, 700:1500] # 裁剪【y1,y2：x1,x2】 cv2.imwrite(output_dir + '/' + img_paths.split('/')[-1], cropImg) else: # 卷帘发票 cropImg_01 = img[30:150, 50:600] cv2.imwrite(output_dir + '/' + img_paths.split('/')[-1], cropImg_01) except: imread_failed.append(img_paths) return imread_faileddef main(input_dir,output_dir): img_paths = get_img(input_dir) scale = len(img_paths) results = [] pool = multiprocessing.Pool(processes = 4) for i,img_path in enumerate(img_paths): a = "#"* int(i/10) b = "."*(int(scale/10)-int(i/10)) c = (i/scale)*100 results.append(pool.apply_async(cut_img, (img_path,output_dir ))) print('{:^3.3f}%[{}>>{}]'.format(c, a, b)) # 进度条（可用tqdm） pool.close() # 调用join之前，先调用close函数，否则会出错。 pool.join() # join函数等待所有子进程结束 for result in results: print('image read failed!:', result.get()) print ("All done.")if __name__ == "__main__": input_dir = "D:/image_person" # 读取图片目录表 output_dir = "D:/image_person_02" # 保存截取的图像目录 main(input_dir, output_dir) |
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/wsp_1138886114/article/details/82778409
