Python实现keep_ratio批量缩放图片和label尺寸

最新推荐文章于 2024-12-12 10:36:20 发布
原创 最新推荐文章于 2024-12-12 10:36:20 发布 · 1.1k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#自动驾驶 #tensorflow #深度学习 #机器学习 #pytorch

本文介绍了一种图像缩放及对应标注文件调整的方法，通过Python实现，详细讲解了如何保持目标检测框的位置准确，适用于计算机视觉项目的数据预处理。 
import os
import cv2
from PIL import Image

#image和label原路径和缩放后的保存路径
label_path="/home/yangguide/Downloads/training/label_2"
new_label_path="/home/yangguide/Downloads/training/label"
image_path="/home/yangguide/Downloads/training/image_2"
new_image_path="/home/yangguide/Downloads/training/image"

for root,dirs,files in os.walk(label_path):
    for name in files:
         if name.endswith(".txt"):
            filename=root+"/"+name     #原label里.txt文件全路径名
            filename2=new_label_path+"/"+name  #缩放后的label里.txt文件全路径名
            
            file_name = name.split('.')[0]  
            file_path=image_path+"/"+file_name+".jpg"
            img = Image.open(file_path)
            weight = img.size[0]
            height = img.size[1]           
            
            target_size=[320,480]   #打算缩放的尺寸
            img = cv2.imread(file_path)
            old_size= img.shape[0:2]
            ratio = min(float(target_size[i])/(old_size[i]) for i
最低0.47元/天 解锁文章
【mmdetection】参数解析
mjiansun的专栏
06-19 9163
图片输入大小解析 1.单尺度输入： train_pipeline = [ ...... dict( type='Resize', img_scale=(1333, 800), keep_ratio=True), ...... dict(type='Pad', size_divisor=32), ] 实际输入缩放计算方式： max_long_edge = max(img_scale) max_short_edge =
pytorch dataset及其增强方式
qq_34929889的博客
03-10 1879
dataloaderSamplercollate_fn三级目录 Sampler class DataLoader(object): ... def __next__(self): if self.num_workers == 0: indices = next(self.sample_iter) # Sampler batch = self.collate_fn([self.dataset[i] for i in
MMSegmentation V0.27.0官方问题（包含多尺度设置）与技术改进文章整理（四）
qq_41627642的博客
06-20 2039
添加链接描述。
Python等比例缩放图片并修改对应的Labelme标注文件
FriendshipTang的博客
02-25 1009
Python、OpenCV、OS、JSON
图像预处理如何快速便捷的实现keep ratio操作
期待黎明的博客
09-02 980
图像预处理如何快速便捷的实现keep ratio操作 def get_input(img, shape_hw, keep_raito=True): import mmcv if not isinstance(img, np.ndarray): img = mmcv.imread(img) assert shape_hw[0] % 32 == 0 and shape_hw[1] % 32 == 0 if keep_raito: img, scal
yolov8 keep_ratio
03-13
在这个例子当中我们新增了一个辅助性的内部成员函数 `_resize_with_aspect_ratio()` ，它接受一张PIL格式的照片以及最小短边长度作为输入参数，并返回经过缩放后的照片及其新的维度数值列表形式表示法。注意这里并...
def keep_top_areas(img, top_n=3, min_area_ratio=0.1): """保留前N大连通区域，同时满足最小面积比例""" # 连通域分析 num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(img, connectivity=8) # 获取区域面积（排除背景） areas = [stats[i, cv2.CC_STAT_AREA] for i in range(1, num_labels)] if not areas: return img # 计算动态阈值 total_area = img.shape[0] * img.shape[1] min_area = max(int(total_area * min_area_ratio), np.max(areas)//100) # 筛选候选区域 candidate_areas = [(i+1, area) for i, area in enumerate(areas) if area >= min_area] # 按面积排序并保留前N大 sorted_areas = sorted(candidate_areas, key=lambda x: -x[1]) keep_labels = {x[0] for x in sorted_areas[:top_n]} # 生成掩模 mask = np.zeros_like(img) for label in keep_labels: mask[labels == label] = 255 return mask
04-28
好的，用户问如何在现有的CT图像处理代码中加入keep_top_areas函数来保留最大的连通区域。我需要先回顾之前的对话和用户提供的代码。 用户之前提供的代码是用Python写的，而之前回答中给出的keep_top_areas函数是用...
def update_adjusted_info(self): first_image_path = self.selected_files[0] original_pixmap = QPixmap(first_image_path) if original_pixmap.isNull(): self.ui.label_3.setText("调整后：加载失败") return orig_width = original_pixmap.width() orig_height = original_pixmap.height() orig_file_size_bytes = os.path.getsize(first_image_path) # 原始字节数 orig_pixel_count = orig_width * orig_height try: target_width = int(self.ui.comboBox.currentText()) target_height = int(self.ui.comboBox_2.currentText()) except ValueError: target_width = orig_width target_height = orig_height keep_aspect = self.ui.checkBox.isChecked() # === 步骤1：是否保持宽高比？=== final_width, final_height = target_width, target_height if keep_aspect: orig_ratio = orig_width / orig_height target_ratio = target_width / target_height if target_ratio > orig_ratio: # 目标更宽 → 以高度为准 final_width = int(target_height * orig_ratio) final_height = target_height else: # 目标更高 → 以宽度为准 final_height = int(target_width / orig_ratio) final_width = target_width # 注意：这里不再限制 final_width/height <= 原图！ # ✅ 允许放大（比如双三次插值上采样） final_width = max(1, final_width) final_height = max(1, final_height) new_pixel_count = final_width * final_height # === 步骤2：估算新文件大小（假设大小 ∝ 像素数量）=== estimated_file_size_bytes = orig_file_size_bytes * (new_pixel_count / orig_pixel_count) # ⛔ 关键限制：即使放大了像素，文件大小也不能超过原文件 final_file_size_bytes = min(estimated_file_size_bytes, orig_file_size_bytes) # === 步骤3：格式化输出大小 === def format_bytes(size_in_bytes): if size_in_bytes < 1024: return f"{size_in_bytes:.0f} B" elif size_in_bytes < 1024 * 1024: return f"{size_in_bytes / 1024:.2f} KB" elif size_in_bytes < 1024 * 1024 * 1024: return f"{size_in_bytes / (1024 * 1024):.2f} MB" else: return f"{size_in_bytes / (1024 * 1024 * 1024):.2f} GB" # === 步骤4：更新 label_3 显示结果 === self.ui.label_3.setText( f"调整后：JPG | 尺寸：{final_width} × {final_height} | " f"占用：{format_bytes(final_file_size_bytes)}" ) 给我修改后的函数
最新发布
11-08
self.ui.label_3.setText("调整后：加载失败") return orig_width = original_pixmap.width() orig_height = original_pixmap.height() orig_file_size_bytes = os.path.getsize(first_image_path) orig_...
利用PIL进行比例不失真的resize以及resize回去
sdhdsf132452的博客
03-20 870
python,PIL Image
pytorch初学笔记（四）：常见的Transforms使用（ToTensor、Normalize、Resize、Compose、RandomCrop）
CV在读
10-28 1万+
输入（channel,height,width）形式的tensor，并输入每个channel对应的均值和标准差作为参数，函数会利用这两个参数分别将每层标准化（使数据均值为0，方差为1）后输出。为了让归一化结果更加明显，我们创建3个step，并且依次修改不同的mean和std，查看对应结果。该方法的功能类似于在类中重载 () 运算符，使得类实例对象可以像调用普通函数那样，如果我们的输入在[0,1]之间，经过归一化之后结果即可在[-1 , 1]之间。结果如下，可以看到经过归一化后的图片产生了明显的变化。
Python3 Tkinter 实例教学 （七）标签Label 大小和对齐方式
sniperzxl的博客
05-16 1万+
Python3 Tkinter 快速上手 （六）标签Label 大小和对齐方式本节介绍标签设置大小和文本内容在标签内部的对齐方式构造方法：代码实例：运行结果： 本节介绍标签设置大小和文本内容在标签内部的对齐方式 Label 作为一个最常用的控件，能够展示一些文本或者图片或者文本和图片的组合使用 构造方法： Label(父对象, text=“标签内容”, width=“宽度”, height=“高度”, anchor=“对齐方式”) width ：标签宽度，单位（字符） height：标签的高度 单位（行）
关于MMSegmentation/MMCV中的random resize与keep ratio
xiongxyowo的博客
12-12 770
具体来说，在缩放完后，会将新图的高度除以原图的高度，得到高度的缩放比例r1；那么，如果keep_ratio设为False，此时当前新图像的宽度为，从s1与s2区间内随机取一个倍率，并乘以scale[0]。ratio_range也是一个tuple，格式为(s1, s2)，可以理解为缩放的倍率。如果keep_ratio设为True，那么宽度的倍率为4320/1280=3.375，高度的倍率为1080/720=1.5。其中，scale一般是个tuple，格式为(w, h)，可以理解为缩放的基数。
OpenCV: 图像缩放(cv2.resize)【一分钟弄清楚】
创作高质量博文，分享知识，共同进步！
12-02 1万+
📸【一分钟】掌握图像缩放秘籍：cv2.resize()函数🔍 🌟在图像处理中，缩放是常见需求。OpenCV库的cv2.resize()函数轻松搞定！只需几行代码，就能实现图像尺寸的自由调整。🖼️ 🚀实战演示：通过cv2.resize()，我们将一张图像的高度放大一倍，从384像素迅速提升至768像素，效果惊艳！💥 💡注意事项：缩放时，务必注意图像长宽比，避免失真。同时，选择合适的插值方法，确保图像质量。 🤝快来学习cv2.resize()，让图像缩放变得简单又高效！
使用python和opencv通过边缘填充的方式在不改变图像比例的前提下resize图像到目标大小
Just_do_myself的博客
07-11 8069
导读 最近在做一个项目，需要使用人脸关键点的坐标变化作为特征。但是发现经过前期的人脸配准、裁剪、resize预处理之后，图像由于宽高比例发生了变化，其中的人脸已经发生了扭曲变形。在这种扭曲的人脸上检测到的关键点那肯定是不准确的了，更不用谈后期的分析了。所以呢，就需要一种方法，在保证图像宽高比例不变的情况下，把目标图像resize到目标大小。我选择了边缘填充的方式，下面详细介绍一下，并附上代码以及效果，供大家使用观赏。 原理 没啥高科技哈哈哈，大致分为以下几步： 分别计算原始图像宽、高与目标图像宽、高的比例
[Python][转载]比例缩放图片不变形
FL1623863129的博客
05-26 702
import cv2 import numpy as np def resizeAndPad(img, size, padColor=0): h, w = img.shape[:2] sh, sw = size # interpolation method if h > sh or w > sw: # shrinking image interp = cv2.INTER_AREA else: # stretching image ...
目标检测之二：多尺度
gaotihong的博客
02-26 4736
https://zhuanlan.zhihu.com/p/102817180 Multi-scale Training/Testing 多尺度训练/测试 可参考： 初识CV：MMDetection中文文档—4.技术细节​zhuanlan.zhihu.com 输入图片的尺寸对检测模型的性能影响相当明显，事实上，多尺度是提升精度最明显的技巧之一。在基础网络部分常常会生成比原图小数十倍的特征图，...
对labelme已经标注的图片和json文件做resize操作
YeeKo的博客
12-02 5086
尝试解决的问题 项目中要使用实例分割网络将图片中的目标分割出来，但是原图普遍非常大，大部分是 (5000pixels * 6000pixels) 这样的规格，如果直接传到网络中进行训练，计算量会非常大。所以考虑先离线resize好了之后作为数据集再训练网络，而不是在输入网络之间才resize（这样会很浪费时间）。 实现代码 废话少说，直接上代码即可：代码逻辑大概为先统计文件夹中的是图片的文件格式，例如有 {'jpg', 'JPG', 'png'} 这三种，接着使用 glob 库找到包含这几种后缀格式的所有图
python中numpy.concatenate()函数的使用
热门推荐
kekeshu_k的博客
10-16 9万+
思路：numpy提供了numpy.concatenate((a1,a2,...), axis=0)函数。能够一次完成多个数组的拼接。其中a1,a2,...是数组类型的参数 >>> a=np.array([1,2,3]) >>> b=np.array([11,22,33]) >>> c=np.array([44,55,66]) >>> np.concatenate((a,b,c),axis=0) # 默认情况下，axis=0可以不写
pytorch中的resize_()和reshape()
会飞的猪的博客
02-18 1万+
a.resize_()会修改a的shape，a.reshape()返回修改后的tensor，但不会更改a的shape。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值