目标检测校正数据集图像形态

之前有写一个关于全能扫描王的介绍。但是这个代码不太适用于我的数据集。所以微调了一下。
因为涉及保密，所以不能放出微调后的效果图，简单介绍下就是把一个不规则的缺了一块的图形用这种方法进行了调整。最后实现了无论是歪了还是缺了的一个多边形都找到了他的最小外接矩阵，然后把这一块抠出来就好了。这样可以降低我的目标检测 yolo模型的误检。
建议看懂代码后，根据自己图像的特点进行微调。加别的功能啥的。
全能扫描王的实现可以参考这篇文章
代码如下：

# import the necessary packages
# from pyimagesearch.transform import four_point_transform
from skimage.filters import threshold_local
import numpy as np
import argparse
import cv2
import imutils
from glob import glob
def order_points(pts):rect = np.zeros((4, 2), dtype = "float32")s = pts.sum(axis = 1)rect[0] = pts[np.argmin(s)]rect[2] = pts[np.argmax(s)]# now, compute the difference between the points, the# top-right point will have the smallest difference,# whereas the bottom-left will have the largest differencediff = np.diff(pts, axis = 1)rect[1] = pts[np.argmin(diff)]rect[3] = pts[np.argmax(diff)]# return the ordered coordinatesreturn rectdef four_point_transform(image, pts):# obtain a consistent order of the points and unpack them# individuallyrect = order_points(pts)(tl, tr, br, bl) = rect# compute the width of the new image, which will be the# maximum distance between bottom-right and bottom-left# x-coordiates or the top-right and top-left x-coordinateswidthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))maxWidth = max(int(widthA), int(widthB))# compute the height of the new image, which will be the# maximum distance between the top-right and bottom-right# y-coordinates or the top-left and bottom-left y-coordinatesheightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))maxHeight = max(int(heightA), int(heightB))# now that we have the dimensions of the new image, construct# the set of destination points to obtain a "birds eye view",# (i.e. top-down view) of the image, again specifying points# in the top-left, top-right, bottom-right, and bottom-left# orderdst = np.array([[0, 0],[maxWidth - 1, 0],[maxWidth - 1, maxHeight - 1],[0, maxHeight - 1]], dtype = "float32")# compute the perspective transform matrix and then apply itM = cv2.getPerspectiveTransform(rect, dst)warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))# return the warped imagereturn warpeddef cut(path):# 对原图进行Resize# load the image and compute the ratio of the old height# to the new height, clone it, and resize itimage = cv2.imread(path)ratio = image.shape[0] / 500.0orig = image.copy()image = imutils.resize(image, height=500)  # 根据长宽比自动计算另外一边的尺寸进行resize# 根据找到边缘# convert the image to grayscale, blur it, and find edges# in the imagegray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)ret, binary = cv2.threshold(gray,60,255,cv2.THRESH_BINARY)kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (21, 21))gray = cv2.dilate(binary, kernel)gray = cv2.GaussianBlur(gray, (5, 5), 0)edged = cv2.Canny(gray, 75, 200)print("STEP 1: Edge Detection")# find the contours in the edged image, keeping only the# largest ones, and initialize the screen contourcnts = cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)  ## 找到轮廓cnts = imutils.grab_contours(cnts)cnts = sorted(cnts, key=cv2.contourArea, reverse=True)  # 根据轮廓面积进行排序for c in cnts:x, y, w, h = cv2.boundingRect(c)  # 计算点集最外面的矩形边界cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)# 找面积最小的矩形rect = cv2.minAreaRect(c)# 得到最小矩形的坐标box = cv2.boxPoints(rect)# 标准化坐标到整数box = np.int0(box)# 画出边界# cv2.drawContours(image, [box], 0, (0, 0, 255), 3)breakprint("STEP 2: Find contours of paper")warped = four_point_transform(orig, box.reshape(4, 2) * ratio)return warped
if __name__=="__main__":a = glob("data\\ori_image\\*.jpg")for j in a:results=cut(j)cv2.imwrite("data\\cut_results\\{}".format(j.split("\\")[-1]),results)

目标检测校正数据集图像形态相关推荐

电气领域相关数据集（目标检测，分类图像数据及负荷预测），电气设备红外测温图像，输电线路图像数据续
另外一部分见:电气领域相关数据集(目标检测,分类图像数据及负荷预测),输电线路图像数据 1. 变电站烟火检测图像数据集(3600多张,VOC标签) 2. 导线破损检测图像数据集(有拼接增强,VOC标签 ...
遥感图像目标检测常用数据集及下载链接汇总
1.TAS数据集 2.DIOR 3.LEVIR 4.DOTA 5.RSOD 6.UCAS-AOD 7.NWPU VHR-10 8.VEDAI 9.HRSC2016 1.TAS数据集是为航空图像中的汽 ...
目标检测coco数据集点滴介绍
目标检测coco数据集点滴介绍 COCO数据集介绍 MS COCO 是google 开源的大型数据集, 分为目标检测.分割.关键点检测三大任务, 数据集主要由图片和json 标签文件组成. coco数 ...
【mmdetection3d】——3D 目标检测 NuScenes 数据集
3D 目标检测 NuScenes 数据集本页提供了有关在 MMDetection3D 中使用 nuScenes 数据集的具体教程. 准备之前您可以在这里下载 nuScenes 3D 检测数据并解压 ...
Pytorch 目标检测和数据集
Pytorch 目标检测和数据集 0. 环境介绍环境使用 Kaggle 里免费建立的 Notebook 教程使用李沐老师的动手学深度学习网站和视频讲解小技巧:当遇到函数看不懂的时候可以按 S ...
PASCAL VOC训练集制作（从原始视频到目标检测训练数据集）
本文目的:实验用CCD采集到5个视频,需在5个视频中采集有效图片,并将这些图片利用LableImg软件进行标注,用来制备VOC格式的目标检测训练数据集. 第一步:有效视频截取将采集到的视频利用ban ...
coco数据集目标检测论文_目标检测coco数据集点滴介绍
目标检测coco数据集点滴介绍 1. COCO数据集介绍 MS COCO 是google 开源的大型数据集, 分为目标检测.分割.关键点检测三大任务, 数据集主要由图片和json 标签文件组成. c ...
实操教程｜怎样制作目标检测的训练样本图像？
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达导读本文从五个问题出发依次递进讲解了该如何去制作目标检测的训练样 ...
【目标检测】在图像上画bounding box框，生成带真实标签gt的图片
[目标检测]在图像上画bounding box框,生成带真实标签gt的图片问题/Motivation 数据格式用到的库实际代码` 结果展示问题/Motivation 在制作完数据集后,想看一下 ...

目标检测校正数据集图像形态

目标检测校正数据集图像形态相关推荐

最新文章

热门文章