Python过滤掉特定区域内的矩形框

2023-12-02 13:52
文章标签 python 区域 过滤 特定 矩形框

本文主要是介绍Python过滤掉特定区域内的矩形框，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Python过滤掉特定区域内的矩形框

  • 前言
  • 前提条件
  • 相关介绍
  • 实验环境
  • 过滤掉特定区域内的矩形框
    • 方法一：直接法（for循环遍历）
      • 代码实现
      • 输出结果
    • 方法二：列表推导式
      • 代码实现
      • 输出结果

在这里插入图片描述

前言

  • 由于本人水平有限，难免出现错漏，敬请批评改正。
  • 更多精彩内容，可点击进入Python日常小操作专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏或我的个人主页查看
  • YOLOv8 Ultralytics：使用Ultralytics框架训练RT-DETR实时目标检测模型
  • 基于DETR的人脸伪装检测
  • YOLOv7训练自己的数据集（口罩检测）
  • YOLOv8训练自己的数据集（足球检测）
  • YOLOv5：TensorRT加速YOLOv5模型推理
  • YOLOv5：IoU、GIoU、DIoU、CIoU、EIoU
  • 玩转Jetson Nano（五）：TensorRT加速YOLOv5目标检测
  • YOLOv5：添加SE、CBAM、CoordAtt、ECA注意力机制
  • YOLOv5：yolov5s.yaml配置文件解读、增加小目标检测层
  • Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集
  • YOLOv5：使用7.0版本训练自己的实例分割模型（车辆、行人、路标、车道线等实例分割）
  • 使用Kaggle GPU资源免费体验Stable Diffusion开源项目

前提条件

  • 熟悉Python

相关介绍

  • Python是一种跨平台的计算机程序设计语言。是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越多被用于独立的、大型项目的开发。
  • PyTorch 是一个深度学习框架，封装好了很多网络和深度学习相关的工具方便我们调用，而不用我们一个个去单独写了。它分为 CPU 和 GPU 版本，其他框架还有 TensorFlow、Caffe 等。PyTorch 是由 Facebook 人工智能研究院（FAIR）基于 Torch 推出的，它是一个基于 Python 的可续计算包，提供两个高级功能：1、具有强大的 GPU 加速的张量计算（如 NumPy）；2、构建深度神经网络时的自动微分机制。
  • YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。它是一个在COCO数据集上预训练的物体检测架构和模型系列，代表了Ultralytics对未来视觉AI方法的开源研究，其中包含了经过数千小时的研究和开发而形成的经验教训和最佳实践。
  • Labelme是一款图像标注工具，由麻省理工(MIT)的计算机科学和人工智能实验室(CSAIL)研发。它是用Python和PyQT编写的，开源且免费。Labelme支持Windows、Linux和Mac等操作系统。
  • 这款工具提供了直观的图形界面，允许用户在图像上标注多种类型的目标，例如矩形框、多边形、线条等，甚至包括更复杂的形状。标注结果以JSON格式保存，便于后续处理和分析。这些标注信息可以用于目标检测、图像分割、图像分类等任务。
  • 总的来说，Labelme是一款强大且易用的图像标注工具，可以满足不同的图像处理需求。
  • Labelme标注json文件是一种用于存储标注信息的文件格式，它包含了以下几个主要的字段：
    • version: Labelme的版本号，例如"4.5.6"。
    • flags: 一些全局的标志，例如是否是分割任务，是否有多边形，等等。
    • shapes: 一个列表，每个元素是一个字典，表示一个标注对象。每个字典包含了以下几个字段：
      • label: 标注对象的类别名称，例如"dog"。
      • points: 一个列表，每个元素是一个坐标对，表示标注对象的边界点，例如[[10, 20], [30, 40]]。
      • group_id: 标注对象的分组编号，用于表示属于同一组的对象，例如1。
      • shape_type: 标注对象的形状类型，例如"polygon"，“rectangle”，“circle”，等等。
      • flags: 一些针对该标注对象的标志，例如是否是难例，是否被遮挡，等等。
    • lineColor: 标注对象的边界线颜色，例如[0, 255, 0, 128]。
    • fillColor: 标注对象的填充颜色，例如[255, 0, 0, 128]。
    • imagePath: 图像文件的相对路径，例如"img_001.jpg"。
    • imageData: 图像文件的二进制数据，经过base64编码后的字符串，例如"iVBORw0KGgoAAAANSUhEUgAA…"。
    • imageHeight: 图像的高度，例如600。
    • imageWidth: 图像的宽度，例如800。

以下是一个Labelme标注json文件的示例：

{"version": "4.5.6","flags": {},"shapes": [{"label": "dog","points": [[121.0,233.0],[223.0,232.0],[246.0,334.0],[121.0,337.0]],"group_id": null,"shape_type": "polygon","flags": {}}],"lineColor": [0,255,0,128],"fillColor": [255,0,0,128],"imagePath": "img_001.jpg","imageData": "iVBORw0KGgoAAAANSUhEUgAA...","imageHeight": 600,"imageWidth": 800
}

实验环境

  • Python 3.x （面向对象的高级语言）

过滤掉特定区域内的矩形框

  • 背景：将预测出来的矩形框，过滤掉特定区域内（某些不需要的）的矩形框

在这里插入图片描述

方法一：直接法（for循环遍历）

代码实现

import cv2
import copy
import numpy as npdef is_rect_inside(rect, filtered_rects):  for filtered_rect in filtered_rects:  if (rect[1] >= filtered_rect[1] and rect[1] + rect[3] <= filtered_rect[1] + filtered_rect[3] and  rect[2] >= filtered_rect[2] and rect[2] + rect[4] <= filtered_rect[2] + filtered_rect[4]):  return True  return False  def filter_rect(rects_list,labels_list,scores_list,filtered_rects,pad_x=50,pad_y=50):'''合并重叠框 输入参数: rects_list :[[占位符,x,y,w,h,占位符],[占位符,x,y,w,h,占位符],...]labels_list :[0,1,...]scores_list :[0.8,0.15,...]filtered_rects: [[占位符,x,y,w,h,占位符],[占位符,x,y,w,h,占位符],...]返回:过滤后的rects_list : [[占位符,x,y,w,h,占位符],[占位符,x,y,w,h,占位符],...]过滤后的labels_list : [0,1,...]过滤后的scores_list : [0.8,0.15,...]'''new_rects_list = []new_labels_list = []new_scores_list = []for index,rect in enumerate(rects_list):if not is_rect_inside(rect, filtered_rects):new_rects_list.append(rect)new_labels_list.append(labels_list[index])new_scores_list.append(scores_list[index])return new_rects_list,new_labels_list,new_scores_listif __name__=="__main__":# 特定区域(蓝色区域)filtered_rects = [[2.0,390,390,60,60,0.0],[2.0,90,90,250,250,0.0]]# 原始矩形框rects_list = [[2.0,10,10,15,15,0.0],[2.0,20,20,10,10,0.0],[2.0,100,100,150,150,0.0],  [2.0,200,200,100,100,0.0],[2.0,400,400,15,15,0.0],[2.0,420,420,10,10,0.0]] # [占位符,x,y,w,h,占位符]# print("原始的矩形框:",rects_list)labels_list = [0,1,2,3,2,1]scores_list = [0.8,0.9,0.5,0.6,0.7,0.3]img = np.ones([512, 512, 3], np.uint8)for _,x,y,w,h,_ in rects_list:img = cv2.rectangle(img, (x,y), (x+w,y+h), (0, 255, 0), 2)for _,x,y,w,h,_ in filtered_rects:img = cv2.rectangle(img, (x,y), (x+w,y+h), (255, 0, 0), 2)cv2.imshow('origin', img)# cv2.imwrite('origin.jpg', img)new_rects_list,new_labels_list,new_scores_list = filter_rect(rects_list,labels_list,scores_list,filtered_rects,pad_x=50,pad_y=50)# print("过滤后的矩形框,类别,置信度:",new_rects_list,new_labels_list,new_scores_list)img = np.ones([512, 512, 3], np.uint8) for _,x,y,w,h,_ in new_rects_list:img = cv2.rectangle(img, (x,y), (x+w,y+h), (0, 0, 255), 2)for _,x,y,w,h,_ in filtered_rects:img = cv2.rectangle(img, (x,y), (x+w,y+h), (255, 0, 0), 2)cv2.imshow('filtered', img)# cv2.imwrite('filtered.jpg', img)cv2.waitKey(0)cv2.destroyAllWindows()

输出结果

在这里插入图片描述

方法二：列表推导式

代码实现

import cv2
import copy
import numpy as npdef is_rect_inside(rect, filtered_rects):  for filtered_rect in filtered_rects:  if (rect[1] >= filtered_rect[1] and rect[1] + rect[3] <= filtered_rect[1] + filtered_rect[3] and  rect[2] >= filtered_rect[2] and rect[2] + rect[4] <= filtered_rect[2] + filtered_rect[4]):  return True  return False  if __name__=="__main__":# 特定区域(蓝色区域)filtered_rects = [[2.0,390,390,60,60,0.0],[2.0,90,90,250,250,0.0]]# 原始矩形框rects_list = [[2.0,10,10,15,15,0.0],[2.0,20,20,10,10,0.0],[2.0,100,100,150,150,0.0],  [2.0,200,200,100,100,0.0],[2.0,400,400,15,15,0.0],[2.0,420,420,10,10,0.0]] # [占位符,x,y,w,h,占位符] # print("原始的矩形框:",rects_list)labels_list = [0,1,2,3,2,1]scores_list = [0.8,0.9,0.5,0.6,0.7,0.3] img = np.ones([512, 512, 3], np.uint8)for _,x,y,w,h,_ in rects_list:img = cv2.rectangle(img, (x,y), (x+w,y+h), (0, 255, 0), 2)for _,x,y,w,h,_ in filtered_rects:img = cv2.rectangle(img, (x,y), (x+w,y+h), (255, 0, 0), 2)cv2.imshow('origin', img)# cv2.imwrite('origin.jpg', img)print("原始的矩形框:", rects_list)  filtered_rects_list = [rect for rect in rects_list if not is_rect_inside(rect, filtered_rects)]filtered_labels_list = [labels_list[index] for index,rect in enumerate(rects_list) if not is_rect_inside(rect, filtered_rects)]filtered_scores_list = [scores_list[index] for index,rect in enumerate(rects_list) if not is_rect_inside(rect, filtered_rects)]print("过滤后的矩形框,类别,置信度:", filtered_rects_list,filtered_labels_list,filtered_scores_list)img = np.ones([512, 512, 3], np.uint8) for _,x,y,w,h,_ in filtered_rects_list:img = cv2.rectangle(img, (x,y), (x+w,y+h), (0, 0, 255), 2)for _,x,y,w,h,_ in filtered_rects:img = cv2.rectangle(img, (x,y), (x+w,y+h), (255, 0, 0), 2)cv2.imshow('filtered', img)# cv2.imwrite('filtered.jpg', img)cv2.waitKey(0)cv2.destroyAllWindows()

输出结果

在这里插入图片描述

  • 由于本人水平有限，难免出现错漏，敬请批评改正。
  • 更多精彩内容，可点击进入Python日常小操作专栏、OpenCV-Python小应用专栏、YOLO系列专栏、自然语言处理专栏或我的个人主页查看
  • YOLOv8 Ultralytics：使用Ultralytics框架训练RT-DETR实时目标检测模型
  • 基于DETR的人脸伪装检测
  • YOLOv7训练自己的数据集（口罩检测）
  • YOLOv8训练自己的数据集（足球检测）
  • YOLOv5：TensorRT加速YOLOv5模型推理
  • YOLOv5：IoU、GIoU、DIoU、CIoU、EIoU
  • 玩转Jetson Nano（五）：TensorRT加速YOLOv5目标检测
  • YOLOv5：添加SE、CBAM、CoordAtt、ECA注意力机制
  • YOLOv5：yolov5s.yaml配置文件解读、增加小目标检测层
  • Python将COCO格式实例分割数据集转换为YOLO格式实例分割数据集
  • YOLOv5：使用7.0版本训练自己的实例分割模型（车辆、行人、路标、车道线等实例分割）
  • 使用Kaggle GPU资源免费体验Stable Diffusion开源项目

这篇关于Python过滤掉特定区域内的矩形框的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/445587。

相关文章

python: 多模块(.py)中全局变量的导入

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别： 当你在一个模块（文件）中使用 global 声明变量时，这个变量只在该模块的全局命名空
阅读更多...
深入探索协同过滤：从原理到推荐模块案例

深入探索协同过滤：从原理到推荐模块案例

文章目录 前言一、协同过滤1. 基于用户的协同过滤（UserCF）2. 基于物品的协同过滤（ItemCF）3. 相似度计算方法 二、相似度计算方法1. 欧氏距离2. 皮尔逊相关系数3. 杰卡德相似系数4. 余弦相似度 三、推荐模块案例1.基于文章的协同过滤推荐功能2.基于用户的协同过滤推荐功能 前言     在信息过载的时代，推荐系统成为连接用户与内容的桥梁。本文聚焦于
阅读更多...
【Python编程】Linux创建虚拟环境并配置与notebook相连接

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如，在当前目录下创建一个名为 myenv 的虚拟环境： python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行： source myenv/bin/activate 3.与notebook连接 在虚拟环境中，使用 pip 安装 Jupyter 和 ipykernel： pip instal
阅读更多...
【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程（Gaussian Process，简称GP）是一种概率模型，用于描述一组随机变量的联合概率分布，其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数（或核函数） 1.3 核函数1.4 高斯过程回归（Gauss
阅读更多...
【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

系列文章目录 监督学习：参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归（SAheart.csv） 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学
阅读更多...
pandas数据过滤

pandas数据过滤

Pandas 数据过滤方法 Pandas 提供了多种方法来过滤数据，可以根据不同的条件进行筛选。以下是一些常见的 Pandas 数据过滤方法，结合实例进行讲解，希望能帮你快速理解。 1. 基于条件筛选行 可以使用布尔索引来根据条件过滤行。 import pandas as pd# 创建示例数据data = {'Name': ['Alice', 'Bob', 'Charlie', 'Dav
阅读更多...
nudepy，一个有趣的 Python 库！

nudepy，一个有趣的 Python 库！

更多资料获取 📚 个人网站：ipengtao.com 大家好，今天为大家分享一个有趣的 Python 库 - nudepy。 Github地址：https://github.com/hhatto/nude.py 在图像处理和计算机视觉应用中，检测图像中的不适当内容（例如裸露图像）是一个重要的任务。nudepy 是一个基于 Python 的库，专门用于检测图像中的不适当内容。该
阅读更多...
pip-tools：打造可重复、可控的 Python 开发环境，解决依赖关系，让代码更稳定

pip-tools：打造可重复、可控的 Python 开发环境，解决依赖关系，让代码更稳定

在 Python 开发中，管理依赖关系是一项繁琐且容易出错的任务。手动更新依赖版本、处理冲突、确保一致性等等，都可能让开发者感到头疼。而 pip-tools 为开发者提供了一套稳定可靠的解决方案。 什么是 pip-tools？ pip-tools 是一组命令行工具，旨在简化 Python 依赖关系的管理，确保项目环境的稳定性和可重复性。它主要包含两个核心工具：pip-compile 和 pip
阅读更多...
HTML提交表单给python

HTML提交表单给python

python 代码 from flask import Flask, request, render_template, redirect, url_forapp = Flask(__name__)@app.route('/')def form():# 渲染表单页面return render_template('./index.html')@app.route('/submit_form',
阅读更多...
Python QT实现A-star寻路算法

Python QT实现A-star寻路算法

目录 1、界面使用方法 2、注意事项 3、补充说明 用Qt5搭建一个图形化测试寻路算法的测试环境。 1、界面使用方法 设定起点： 鼠标左键双击，设定红色的起点。左键双击设定起点，用红色标记。 设定终点： 鼠标右键双击，设定蓝色的终点。右键双击设定终点，用蓝色标记。 设置障碍点： 鼠标左键或者右键按着不放，拖动可以设置黑色的障碍点。按住左键或右键并拖动，设置一系列黑色障碍点
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2