如何根据图像上的文本实例分离JSON中对应的不同图像名称

云上老周

2026-8-30

问题根因

现有代码存在4个核心问题导致标注无法按图像拆分：

未建立图像与文本的索引映射：imnames存储全量图像名，但遍历文本时没有关联当前文本所属的图像，直接把全量图像名列表拼接到gt键名中
标注结构逻辑错误：逐词处理时直接新建gt条目，没有将同一张图像下的多个文本实例归并到同一个gt数组下
IO逻辑冗余：每处理一个单词就重复读写整个JSON文件，易出现写入覆盖、性能低下问题
坐标索引错位：start变量累加逻辑未和图像维度绑定，易出现跨图像的坐标、文本混淆

修复代码

核心逻辑是先按图像维度分组所有文本实例，再统一生成符合格式的标注文件，避免逐词处理的映射混乱：

import h5py
import json
import numpy as np

# 加载H5文件，一次性读取全量数据避免重复IO
db = h5py.File('results/Output.h5', 'r')
imnames = sorted(db['data'].keys())
result = {}

# 逐图像处理，保证图像、文本、坐标一一对应
for gt_idx, img_name in enumerate(imnames, start=1):
    # 读取当前图像关联的所有数据，按你实际H5字段名调整读取逻辑
    img_group = db['data'][img_name]
    text_list = [item.decode('utf-8') for item in img_group['text'][:]]  # 读取当前图所有文本
    char_bb = img_group['charBB'][:]  # 读取当前图所有字符边界框
    
    img_annotations = []
    char_offset = 0
    # 遍历当前图像内的所有单词，生成单条标注
    for word in text_list:
        word_len = len(word)
        word_points = []
        # 提取单词四个角点坐标（如果需要字符级点可调整该段逻辑）
        for corner in range(4):
            x_cor = float(np.mean(char_bb[0][0][corner][char_offset : char_offset + word_len]))
            y_cor = float(np.mean(char_bb[0][1][corner][char_offset : char_offset + word_len]))
            word_points.append([round(x_cor, 2), round(y_cor, 2)])
        
        # 语言判断逻辑可自行扩展
        lang = "Chinese" if any('\u4e00' <= c <= '\u9fff' for c in word) else "Latin"
        img_annotations.append({
            "points": word_points,
            "transcription": word,
            "language": lang,
            "illegibility": False
        })
        char_offset += word_len
    
    # 按要求格式绑定gt键和当前图的所有标注
    result[f"gt_{gt_idx}"] = img_annotations

# 一次性写入标注文件
with open("annotation.json", "w", encoding="utf-8") as f:
    json.dump(result, f, ensure_ascii=False, indent=2)

db.close()

适配说明

如果你的H5文件是全局存储所有文本、边界框而非按图像分组存储，只需额外维护一个长度与textToList一致的word_img_map数组，每个位置存储对应单词所属的图像索引，遍历文本时按索引分组即可，核心标注结构逻辑不变
如果需要保留图像名与gt键的映射关系，可以额外在结果中加一个img_name_map字段存储{gt_idx: img_name}的对应关系，方便后续溯源
坐标提取逻辑如果是输出字符级多边形点，直接修改角点计算部分的代码即可，不需要调整分组和JSON结构逻辑
输出结构完全匹配预期：每个gt_*键对应一个数组，数组内为该图像包含的所有文本实例标注

内容的提问来源于stack exchange，提问作者Leon