Python过滤掉特定区域内的矩形框

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

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/189644.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Navicat Premium 16.3.3 Windows x64 Crack

Navicat Premium 16.3.3 Windows x64 Crack

增强您的表现。 Navicat 16 具有许多改进和功能&#xff0c;可以满足您的数据库开发需求。凭借 100 多项增强功能和全新界面&#xff0c;您可以探索构建、管理和维护数据库的新方法。构建时考虑到可用性。 Navicat 16 引入了许多 UI/UX 改进&#xff0c;以最大限度地提高您的效…
阅读更多...
oracle 19c rac 安装手册

oracle 19c rac 安装手册

oracle 19c rac 安装手册 官方文档：https://docs.oracle.com/en/database/oracle/oracle-database/19/index.html 一、集群规划 再部署集群之前，需要对网络和存储两个方面进行规划。下面简述了网络和存储两个方面需要注意的地方。 Oracle RAC 数据库私有网络通信必须使用单…
阅读更多...
P4 链表的节点数统计与链表数据查找替换

P4 链表的节点数统计与链表数据查找替换

目录 前言 01 链表的节点数统计 02 链表数据查找替换 2.1 残疾的数据查找 2.2 数据查找优化 前言 &#x1f3ac; 个人主页&#xff1a;ChenPi &#x1f43b;推荐专栏1: 《C 》✨✨✨ &#x1f525; 推荐专栏2: 《 Linux C应用编程&#xff08;概念类&#xff09;》✨…
阅读更多...
Java集合（二）

Java集合（二）

1. Map 1.1 HashMap 和 Hashtable 的区别 线程是否安全&#xff1a; HashMap 是非线程安全的&#xff0c;Hashtable 是线程安全的,因为 Hashtable 内部的方法基本都经过synchronized 修饰。&#xff08;如果你要保证线程安全的话就使用 ConcurrentHashMap 吧&#xff01;&…
阅读更多...
Yocto - bb脚本中使用的SRC_URI、SRCREV和S

Yocto - bb脚本中使用的SRC_URI、SRCREV和S

我们遇到的各种自己不了解的技术或产品时&#xff0c;都需要阅读用户手册。用户手册里的内容很多时&#xff0c;除了由目录组织文档结构外&#xff0c;通常还有有一个词汇表&#xff0c;一般作为附录放在文档最后。 通过这个按照字母排序的词汇表&#xff0c;可以在对整个文档还…
阅读更多...
C#，数值计算——插值和外推，谢别德（Shep）插值方法的计算方法与源程序

C#，数值计算——插值和外推，谢别德（Shep）插值方法的计算方法与源程序

1 文本格式 using System; namespace Legalsoft.Truffer { /// <summary> /// 谢别德插值方法 /// Object for Shepard interpolation using n points in dim dimensions. Call /// constructor once, then interp as many times as desired. /// &…
阅读更多...
前端面试提问（3）

前端面试提问（3）

1、js两个数相加会不会丢精度&#xff1f; 可能会遇到精度丢失的问题。JavaScript 使用的是 IEEE 754 浮点数标准&#xff0c;即一种二进制表示法&#xff0c;有时不能准确地表示十进制小数。如果你需要进行精确的十进制数值计算&#xff0c;可以使用一些处理精确数值的库&…
阅读更多...
4.C转python

4.C转python

1.建立函数: def 函数名(形参): 函数体(记得写缩进) return 返回值(python中可以没有return) 2.调用函数: 函数名(实参) 实参和形参个数相等即可,类型不需要相同 其中接收返回值与C中的差不多 3.如果只是定义而不调用则函数不会执行 4.先定义函数,后调用 5.python中可以…
阅读更多...
每天五分钟计算机视觉：ImageNet大赛的世界冠军AlexNet模型

每天五分钟计算机视觉：ImageNet大赛的世界冠军AlexNet模型

AlexNet模型 2012 Imagenet 比赛第一&#xff0c;Top5准确度超出第二10% &#xff0c;它让人们认识到了深度学习技术的威力。比 LeNet更深&#xff0c;用多层小卷积层叠加替换大卷积层&#xff0c;就是说每一个卷积层的通道数小&#xff0c;不像LeNet一样每个卷积层的通道数很大…
阅读更多...
记录华为云服务器（Linux 可视化 宝塔面板）-- 防火墙篇

记录华为云服务器（Linux 可视化 宝塔面板）-- 防火墙篇

文章目录 前言安装防火墙防火墙设置防火墙操作1.设置开机启动防火墙2.查看防火墙开放哪些端口3.重载防火墙配置&#xff08;修改配置后重新启动才生效&#xff09;4.查看防火墙状态5.开启防火墙6.关闭防火墙 若遇到无法开启查询已开放的端口查询端口是否开放&#xff08;80&…
阅读更多...
简单了解设计模式

简单了解设计模式

常见的设计模式大致可以分为三个主要类别&#xff1a;创建型、结构型和行为型。以下是这三个类别下的各种模式&#xff1a; 创建型模式 (Creational Patterns)&#xff1a;这类模式主要关注如何创建对象。 单例模式 (Singleton)&#xff1a;确保某一个类只有一个实例&#xff0…
阅读更多...
在内网开发中使用Nginx代理来访问钉钉新版服务端API

在内网开发中使用Nginx代理来访问钉钉新版服务端API

如果你在内网开发中使用Nginx代理来访问钉钉新版服务端API&#xff0c;你可以在Nginx配置文件中进行相应的配置。 以下是一个简单的示例Nginx配置&#xff0c;用于将对指定URL的请求代理到钉钉服务端API&#xff1a; server { listen 80; server_name your_server_domain; l…
阅读更多...
Python爬虫-新能源汽车销量榜

Python爬虫-新能源汽车销量榜

前言 本文是该专栏的第11篇，后面会持续分享python爬虫案例干货，记得关注。 本文以懂车平台的新能源汽车销量榜单为例，获取各车型的销量排行榜单数据。具体实现思路和详细逻辑，笔者将在正文结合完整代码进行详细介绍。 废话不多说，跟着笔者直接往下看正文详细内容。（附带…
阅读更多...
FFMPEG编译安装、简单使用

FFMPEG编译安装、简单使用

目录 源码下载编译和安装API简单使用源代码编译运行 工具的简单使用学习论坛 源码下载 地址: https://github.com/FFmpeg/FFmpeg git clone https://github.com/FFmpeg/FFmpeg.git编译和安装 因为使用在板端编译&#xff0c;因此没有使用交叉编译链的部分。将如下内容复制到…
阅读更多...
电梯安全远程监控系统的主要作用和意义

电梯安全远程监控系统的主要作用和意义

电梯是现代城市生活中必不可少的交通工具&#xff0c;为了保证其安全可靠的运行&#xff0c;电梯运行监测系统应运而生。本文将介绍电梯安全远程监控的工作原理、重要性 一、电梯安全远程监控系统的作用 　　◆实时监控和故障预警&#xff1a;电梯安全远程监控系统可以实时监测…
阅读更多...
加强网站稳定性！学习如何进行高效压力测试！

加强网站稳定性！学习如何进行高效压力测试！

前言 1、什么是压力测试&#xff1f; 软件压力测试是一种基本的质量保证行为&#xff0c;它是每个重要软件测试工作的一部分。 软件压力测试的基本思路很简单&#xff1a;不是在常规条件下运行手动或自动测试&#xff0c;而是在计算机数量较少或系统资源匮乏的条件下运行测试…
阅读更多...
Pandas进阶：文本处理

Pandas进阶：文本处理

引言 文本的主要两个类型是string和object。如果不特殊指定类型为string&#xff0c;文本类型一般为object。 文本的操作主要是通过访问器str 来实现的&#xff0c;功能十分强大&#xff0c;但使用前需要注意以下几点。 访问器只能对Series数据结构使用。 除了常规列变量df.c…
阅读更多...
从0开始学习JavaScript--JavaScript 集成测试

从0开始学习JavaScript--JavaScript 集成测试

JavaScript集成测试是确保整个应用程序组件协同工作的关键环节。通过模拟真实环境&#xff0c;集成测试能够发现不同组件之间的潜在问题&#xff0c;确保系统的稳定性和可靠性。本文将深入探讨JavaScript集成测试的核心概念、工具使用以及最佳实践&#xff0c;并通过丰富的示例…
阅读更多...
springboot多文件上传

springboot多文件上传

Spring Boot 是一个强大的、灵活的、开发效率高的框架&#xff0c;适合开发各种类型的 Web 应用或微服务&#xff0c;是现代化的企业级开发的首选。 接口编写 可以使用Spring Boot的MultipartResolver来实现上传多文件。 在pom.xml文件中添加以下依赖&#xff1a; <depende…
阅读更多...
1.2 Ubauntu 使用

1.2 Ubauntu 使用

一、完成VMware Tools安装 双击 VMwareTool 打开 Ubuntu 终端快捷键 AltControlT 切换汉语的快捷键是Alt空格 ls 打印出当前所在目录中所有文件和文件夹 cd 桌面 进入桌面文件夹 sudo ./vmware-install.pl 安装tool&#xff0c;输入之前设置的密码。 地址默认&#xff0c;按…
阅读更多...
最新文章

Copyright @ 2022~2023