Python+opencv裁剪/截取图片的几种方式_cv2裁剪图片

广告位：

图像拼接论文精读专栏 —— 图像拼接领域论文全覆盖（包含数据集），省时省力读论文，带你理解晦涩难懂的论文算法，学习零散的知识和数学原理，并学会写图像拼接领域的论文（介绍、相关工作、算法、实验、结论、并附有参考文献，不用一篇一篇文章再找）

图像拼接论文源码精读专栏 —— 图像拼接有源码的论文全覆盖（有的自己复现），帮助你通过源码进一步理解论文算法，助你做实验，跑出拼接结果，得到评价指标RMSE、SSIM、PSNR等，并寻找潜在创新点和改进提升思路。

超分辨率重建专栏 —— 从SRCNN开始，带你读论文，写代码，复现结果，找创新点，完成论文。手把手教，保姆级攻略。帮助你顺利毕业，熟练掌握超分技术。

有需要的同学可以点上面链接看看。

---

---

前言

在计算机视觉任务中，如图像分类，图像数据集必不可少。自己采集的图片往往存在很多噪声或无用信息会影响模型训练。因此，需要对图片进行裁剪处理，以防止图片边缘无用信息对模型造成影响。本文介绍几种图片裁剪的方式，供大家参考。

---

一、手动单张裁剪/截取

selectROI:选择感兴趣区域，边界框框选x,y,w,h

selectROI(windowName, img, showCrosshair=None, fromCenter=None):
. 参数windowName：选择的区域被显示在的窗口的名字
. 参数img：要在什么图片上选择ROI
. 参数showCrosshair：是否在矩形框里画十字线.
. 参数fromCenter：是否是从矩形框的中心开始画

要截取的原图如下：

截取效果如下：

截取之后按回车Enter保存：

完整代码如下：

import cv2

img = 'D:/anaconda3/JupyterNotebookFile/images/dogs_and_cats.jpg'
img = cv2.imread(img)
cv2.imshow('original', img)

# 选择ROI
roi = cv2.selectROI(windowName="original", img=img, showCrosshair=True, fromCenter=False)
x, y, w, h = roi
print(roi)

# 显示ROI并保存图片
if roi != (0, 0, 0, 0):
    crop = img[y:y+h, x:x+w]
    cv2.imshow('crop', crop)
    cv2.imwrite('D:/anaconda3/JupyterNotebookFile/images/dogs_and_cats_crop.jpg', crop)
    print('Saved!')

# 退出
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

读者根据自己的图片目录修改目标图片目录和要写入的目录。

---

二、根据图片的位置坐标进行裁剪/截取

这是一张432×432大小的图片，左上角坐标为(0,0).

import cv2

im = cv2.imread('图片路径')
1
2
3

在用cv2.imread()默认读取三通道RGB图像后，会返回一个三维数组。同时，可用im[h,w]的形式来截取图片中的某个部分。比如中间柴犬的位置相对左上角坐标原点为，从上到下为190-380，从左往右为180-260。这样就可以通过坐标的相对位置来裁剪/截取目标图像了。

完整代码如下：

import cv2
import os

file_path = 'D:/anaconda3/JupyterNotebookFile/images/dogs_and_cats.jpg'
out_file_name = 'dogs_and_cats_cropp'

im = cv2.imread(file_path)
im = im[190:380,180:260]
save_path = r'D:/anaconda3/JupyterNotebookFile/images'
save_path_file = os.path.join(save_path,out_file_name+'.jpg')
cv2.imwrite(save_path_file,im)
1
2
3
4
5
6
7
8
9
10
11

截取后的图片效果：

若很多个图片数据具有相似的位置，则可以通过遍历文件的方式批量裁剪/截取，代码如下:

import cv2
import os

def clip_image(filelist,i,im_path):  
	'''
	filelist:文件夹路径
	i：批量保存的图片文件名，用数字表示
	im_path:图片路径
	'''  
    for file in filelist:
        file_path=os.path.join(im_path,file)
        im=cv2.imread(file_path)
        #[h,w]根据自己图片中目标的位置修改
        im=im[190:380,180:260]                      
        save_path = r'D:/anaconda3/JupyterNotebookFile/images'
        save_path_file = os.path.join(save_path,out_file_name+'.jpg')           
        cv2.imwrite(save_path_file,im)            
        i=i+1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

传参并测试：笔者用的jupyter notebook，其他编译器写在main()中

i=0
im_path = r'D:/anaconda3/JupyterNotebookFile/images/dogs_and_cats.jpg'
filelist = os.listdir(im_path)
clip_image(filelist,i,im_path)
1
2
3
4

---

三、根据xml文件截取/裁剪目标

详见文章：三分钟学会用Python+OpenCV批量裁剪xml标注文件

---

四、opencv获取边缘并根据bounding box截取/裁剪目标

详见另一篇文章。

---

五、用YOLO目标检测框裁剪并批量保存

同一类图片数据具有相似的特征，标注少量的图片训练YOLO提升其定位目标的能力，可以将所有的测试数据根据YOLO检测结果裁剪，并将结果保存用于其他分类任务中。

代码如下：

from PIL import Image

from yolo import YOLO
import os
import cv2
import numpy as np
yolo = YOLO()

'''
yolo抠图，截取目标
'''
j=0
#预测图片所在路径
path = 'E:/crop_all'
imgdir = os.listdir(path)
for dir in imgdir:
    img_path = os.path.join(path,dir)
    image = Image.open(img_path)
    #print(image)
    crop_image = cv2.imread(img_path)
    #print(crop_image[0])
    boxes = yolo.detect_image(image)
    #print(boxes)

    top = boxes[0][0]
    left = boxes[0][1]
    bottom = boxes[0][2]
    right = boxes[0][3]

    top = top - 5
    left = left - 5
    bottom = bottom + 5
    right = right + 5

    # 左上角点的坐标
    top = int(max(0, np.floor(top + 0.5).astype('int32')))
    left = int(max(0, np.floor(left + 0.5).astype('int32')))
    # 右下角点的坐标
    bottom = int(min(np.shape(image)[0], np.floor(bottom + 0.5).astype('int32')))
    right = int(min(np.shape(image)[1], np.floor(right + 0.5).astype('int32')))


    croped_region = crop_image[top:bottom, left:right]
    
    #裁剪图片存放目录
    baocun = r'E:/crop_all_finish'
    save_path = os.path.join(baocun, str(j) + '.bmp')
    cv2.imwrite(save_path, croped_region)
    j = j + 1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49

截取效果如下：

---

总结

1. 方法一适合少量图片裁剪或做测试时使用，无法批量裁剪。
2. 方法二适合多个样本中的目标具有相似的位置，可以批量裁剪但是若位置不相似则不适用。
3. 方法三用形态学手法获取轮廓再根据bounding box裁剪，可以批量处理，但是裁剪效果一般，能不能得到物体全看之前的轮廓获取的是否清晰，但并不是每个图片中的目标都能清晰地获取到轮廓。
4. 方法四用YOLO也是根据boundingbox裁剪，可以批量处理但是需要人工标注成本，而且该成本根据模型的准确性略有起伏，但由于yolo训练很快，所以该方法是个不错的裁剪图片的手段。