def update_labelattr(cls, lmdict, *, points=False, inplace=True):
"""
:param points: 是否更新labelattr中的points、bbox等几何信息
并且在无任何几何信息的情况下，增设points
"""
if not inplace:
lmdict = copy.deepcopy(lmdict)
for shape in lmdict['shapes']:
# 1 属性字典，至少先初始化一个label属性
labelattr = DictTool.json_loads(shape['label'], 'label')
# 2 填充其他扩展属性值
keys = set(shape.keys())
stdkeys = set('label,points,group_id,shape_type,flags'.split(','))
for k in (keys - stdkeys):
labelattr[k] = shape[k]
del shape[k] # 要删除原有的扩展字段值
# 3 处理points等几何信息
if points:
if 'bbox' in labelattr:
labelattr['bbox'] = ltrb2xywh(rect_bounds(shape['points']))
else:
labelattr['points'] = shape['points']
# + 写回shape
shape['label'] = json.dumps(labelattr, ensure_ascii=False)
return lmdict
def gen_annotation(cls, **kwargs):
""" 智能地生成一个annotation字典
这个略微有点过度封装了
但没事，先放着，可以不拿出来用~~
:param points: 必须是n*2的结构
"""
a = kwargs.copy()
# a = {'id': 0, 'area': 0, 'bbox': [0, 0, 0, 0],
# 'category_id': 1, 'image_id': 0, 'iscrowd': 0, 'segmentation': []}
if 'points' in a: # points是一个特殊参数，使用“一个”多边形来标注（注意区别segmentation是多个多边形）
if 'segmentation' not in a:
a['segmentation'] = [cls.points2segmentation(a['points'])]
del a['points']
if 'bbox' not in a:
pts = []
for seg in a['segmentation']:
pts += seg
a['bbox'] = ltrb2xywh(rect_bounds(pts))
if 'area' not in a: # 自动计算面积
a['area'] = int(a['bbox'][2] * a['bbox'][3])
for k in ['id', 'image_id']:
if k not in a:
a[k] = 0
if 'category_id' not in a:
a['category_id'] = 1
return a
def _get_subrect_image(im, pts, fill=0):
"""
:return:
dst_img 按外接四边形截取的子图
new_pts 新的变换后的点坐标
"""
# 1 计算需要pad的宽度
x1, y1, x2, y2 = [round_int(v) for v in rect_bounds(pts)]
h, w = im.shape[:2]
pad = [-y1, y2 - h, -x1, x2 - w] # 各个维度要补充的宽度
pad = [max(0, v) for v in pad] # 负数宽度不用补充，改为0
# 2 pad并定位rect局部图
tmp_img = xlcv.pad(im, pad, fill) if max(pad) > 0 else im
dst_img = tmp_img[y1 + pad[0]:y2,
x1 + pad[2]:x2] # 这里越界不会报错，只是越界的那个维度shape为0
new_pts = [(pt[0] - x1, pt[1] - y1) for pt in pts]
return dst_img, new_pts
def gen_quad_annotations(cls,
file,
*,
image_id,
start_box_id,
category_id=1,
**kwargs):
""" 解析一张图片对应的txt标注文件
:param file: 标注文件，有多行标注
每行是x1,y1,x2,y2,x3,y3,x4,y4[,label] （label可以不存在）
:param image_id: 该图片id
:param start_box_id: box_id起始编号
:param category_id: 归属类别
"""
lines = File(file).read()
box_id = start_box_id
annotations = []
for line in lines.splitlines():
vals = line.split(',', maxsplit=8)
if len(vals) < 2: continue
attrs = {
'id': box_id,
'image_id': image_id,
'category_id': category_id
}
if len(vals) == 9:
attrs['label'] = vals[8]
# print(vals)
seg = [int(v) for v in vals[:8]]
attrs['segmentation'] = [seg]
attrs['bbox'] = ltrb2xywh(rect_bounds(seg))
if kwargs:
attrs.update(kwargs)
annotations.append(cls.gen_annotation(**attrs))
box_id += 1
return annotations
def warp(im,
warp_mat,
dsize=None,
*,
view_rate=False,
max_zoom=1,
reserve_struct=False):
""" 对图像进行透视变换
:param im: np.ndarray的图像数据
TODO 支持PIL.Image格式？
:param warp_mat: 变换矩阵
:param dsize: 目标图片尺寸
没有任何输入时，同原图
如果有指定，则会决定最终的图片大小
如果使用了view_rate、max_zoom，会改变变换矩阵所展示的内容
:param view_rate: 视野比例，默认不开启，当输入非0正数时，几个数值功能效果如下
1，关注原图四个角点位置在变换后的位置，确保新的4个点依然在目标图中
为了达到该效果，会增加【平移】变换，以及自动控制dsize
2，将原图依中心面积放到至2倍，记录新的4个角点变换后的位置，确保变换后的4个点依然在目标图中
0.5，同理，只是只关注原图局部的一半位置
:param max_zoom: 默认1倍，当设置时（只在开启view_rate时有用），会增加【缩小】变换，限制view_rate扩展的上限
:param reserve_struct: 是否保留原来im的数据类型返回，默认True
关掉该功能可以提高性能，此时返回结果统一为 np 矩阵
:return: 见 reserve_struct
"""
from math import sqrt
# 1 得到3*3的变换矩阵
warp_mat = np.array(warp_mat)
if warp_mat.shape[0] == 2:
warp_mat = np.concatenate([warp_mat, [[0, 0, 1]]], axis=0)
# 2 view_rate，视野比例改变导致的变换矩阵规则变化
if view_rate:
# 2.1 视野变化后的四个角点
h, w = im.shape[:2]
y, x = h / 2, w / 2 # 图片中心点坐标
h1, w1 = view_rate * h / 2, view_rate * w / 2
l, t, r, b = [-w1 + x, -h1 + y, w1 + x, h1 + y]
pts1 = np.array([[l, t], [r, t], [r, b], [l, b]])
# 2.2 变换后角点位置产生的外接矩形
left, top, right, bottom = rect_bounds(warp_points(pts1, warp_mat))
# 2.3 增加平移变换确保左上角在原点
warp_mat = np.dot([[1, 0, -left], [0, 1, -top], [0, 0, 1]],
warp_mat)
# 2.4 控制面积变化率
h2, w2 = (bottom - top, right - left)
if max_zoom:
rate = w2 * h2 / w / h # 目标面积比原面积
if rate > max_zoom:
r = 1 / sqrt(rate / max_zoom)
warp_mat = np.dot([[r, 0, 0], [0, r, 0], [0, 0, 1]],
warp_mat)
h2, w2 = round(h2 * r), round(w2 * r)
if not dsize:
dsize = (w2, h2)
# 3 标准操作，不做额外处理，按照原图默认的图片尺寸展示
if dsize is None:
dsize = (im.shape[1], im.shape[0])
dst = cv2.warpPerspective(im, warp_mat, dsize)
# 4 返回值
return dst