如何基于xml标注的bounding box从单张图像中裁剪得到全部n张子图

问题根源 #

你的代码在遍历bounding box的循环里直接执行了return语句，函数第一次拿到裁剪图就会直接终止运行，因此只能返回第一个bbox对应的结果。另外你代码中定义的images_filenames、annotations_filenames两个变量没有被实际使用，可以直接删除。

修改方案 #

初始化一个空列表存储所有裁剪结果，遍历完全部bbox后统一返回列表即可，修改后的代码如下：

def get_all_cropped_images(image_file, 
                  images_path = "data/split/train/images",
                  annotations_path = "data/split/train/annotations"):
    # 读取原图像
    image = cv2.imread(os.path.join(images_path, image_file))
    # 匹配对应xml标注文件，用rsplit避免文件名含多个点时匹配错误
    annotation_filename = image_file.rsplit(sep='.', maxsplit=1)[0] + '.xml'
    # 读取标注信息
    bboxes, labels = read_annotation_file(annotations_path, annotation_filename)

    # 初始化列表存储所有裁剪结果
    cropped_images = []
    for idx, label in enumerate(labels):
        try:
            cropped_img = imcrop(image, bboxes[idx]).copy()
            # 如果需要同时存储对应标签，可改为append( (cropped_img, label) )
            cropped_images.append(cropped_img)
        except:
            # 若不需要严格报错，可注释掉raise，加日志打印后继续处理剩余bbox
            raise
    # 遍历完成后统一返回所有裁剪图
    return cropped_images

使用说明 #

修改后函数返回值为包含所有n张裁剪图的列表，你可以直接遍历列表做后续OCR识别，也可以通过索引获取对应位置的裁剪结果。如果需要同时关联每个裁剪图对应的标注标签，可将append逻辑改为存入(裁剪图, 标签)的元组即可。

内容的提问来源于stack exchange，提问作者Gustavo Scholze