matlab离散信号的频域分析,matlab基于边缘检测的图像分割
1、将城市风光中的数据格式的标注转换为。文本文件(文本文件)格式的标签
#将城市风光数据集转换为帕斯卡voc格式数据集
# 1.转换每个城市景观图像标签json”到"。文本
导入数据
导入操作系统
从操作系统导入列表目录，getcwd
从os.path导入连接
导入os.path
root dir= D: dataset city scapes left mg 8 bit train Zurich #写自己存放图片的数据地址
定义位置：
# 该函数用来找出xmin，ymin，xmax，ymax即视频包围框
x=[]
y=[]
nums=len(位置)
对于范围内的I(nums):
x .追加(位置[我][0])
y .追加(位置[我][1])
x_max=max(x)
x_min=min(x)
y_max=max(y)
y_min=min(y)
# print(x_max，y_max，x_min，y_min)
b=(float(x_min)，float(y_min)，float(x_max)，float(y_max))
#打印(二)
返回b
#帕斯卡挥发性有机化合物标准格式
# xmin 174/xmin
# ymin 101/ymin
# xmax 349/xmax
# ymax 351/ymax
定义转换（大小，框):
# 该函数将xmin，ymin，xmax，ymax转为x，y，w，h中心点坐标和宽高
dw=1 ./(大小[0])
dh=1 ./(大小[1])
x=(box[0] box[1])/2.0 - 1
y=(box[2] box[3])/2.0 - 1
w=框[1] -框[0]
h=框[3] -框[2]
x=x * dw
w=w * dw
y=y * dh
h=h * dh
打印((x，y，w，h))
返回(x，y，w，h)
定义转换注释（图像标识):
# load _ f=open(/home/Ubuntu/PycharmProjects/city Pascal/source/train/tuhxsdhbgen/% s _ gt fine _ polygons。JSON“%(image _ id)， r) #导入数据标签的地址
load _ f=open( D: dataset city scapes gt fine train Zurich % s _ gt fine _ polygons。JSON“%(image _ id)， r) #导入数据标签的地址
负载_字典=json.load(load_f)
out _ file=open( D: dataset city scapes gt fine train Zurich % s _ left mg 8 bit。txt %(image _ id)， w) #输出标签的地址
# keys=tuple(load_dict.keys())
w=load_dict[imgWidth] #原图的宽，用于归一化
h=load_dict[imgHeight]
#打印(h)
objects=load_dict[objects]
nums=len(对象)
#打印（数字)
# object_key=tuple(objects.keys()
cls_id=
对于范围内的I(0，nums):
labels=objects[i][label]
#打印（一)
如果(标签在[person ， rider]):
#打印（标签)
pos=objects[i][多边形]
bb=位置(位置)
# bb=convert((w，h)，b)
cls_id=行人 #我这里把行人和骑自行车的人都设为类别行人
out_file.write(cls_id ).join([str(a) for a in bb]) n )
#打印（类型（位置))
elif([汽车,卡车,公共汽车,大篷车,拖车]中的标签):
#打印（标签)
pos=objects[i][多边形]
bb=位置(位置)
# bb=convert((w，h)，b)
cls_id=car #我这里把各种类型的车都设为类别汽车
out_file.write(cls_id ).join([str(a) for a in bb]) n )
如果cls_id==" ":
打印(无标签json:“，”% s _ gt精细多边形。JSON“%(image _ id))
定义图像标识(根目录):
a=[]
对于os.walk中的父目录名、文件名(根目录):
对于文件名中的文件名：
#打印（文件名)
文件名=文件名[:-16]
# filename=文件名。strip(_左img 8位。png’)
答。追加（文件名)
返回a
if __name__==__main__ :
names=image _ id(根目录)
对于名称中的图像id:
打印（图像标识)
转换注释（图像标识)
2、将。文本文件(文本文件)转换为。可扩展标记语言的标签
#!/usr/hxsdhb/python
# -*-编码：UTF 8-*-
#将城市风光数据集转换为帕斯卡voc格式数据集
# 2.转换 txt 收件人。 xml
导入操作系统、系统
导入全球
从太平航运进口图片
#视频图像存储位置
src _ img _ dir= D: dataset city scapes left mg 8 bit train Zurich
#视频图像的地面实况；真值（机器学习)的文本文件(文本文件)文件存放位置
src _ txt _ dir= D: dataset city scapes gt fine train Zurich
src _ XML _ dir= D: dataset city scapes gt fine train Zurich
img _ Lists=glob。glob(src _ img _ dir /*).png’)
img_basenames=[] #例如100.jpg
对于img _列表中的项目：
img _ basenames。追加(操作系统。路径。基本名称(项目))
img_names=[] #例如100
对于img_basenames中的项目：
temp1，temp2=os.path.splitext(item)
img_names.append(temp1)
对于img _名称中的img:
im=Image.open((src_img_dir img)).png ))
宽度，高度=im.size
#打开crospronding文本文件
gt=open(src_txt_dir / img .txt’).阅读()。分割线()
# gt=open(src_txt_dir /gt_ img .txt’).阅读()。分割线()
#写入可扩展标记语言文件
# os.mknod(src_xml_dir / img .XML’)
XML _ file=open((src _ XML _ dir / img ).xml )， w )
xml_file.write(n )
xml_file.write( CITYSCAPEn )
XML _ file . write( str(img)).png n )
xml_file.write( n )
XML _ file。write( str(width) n )
XML _ file。write( str(height) n )
xml_file.write( 3n )
xml_file.write( n )
#在可扩展标记语言文件中写入图像的区域
对于大型旅行车的中的img _每个标签:
SPT=img _ each _ label。拆分()#这里如果文本文件(文本文件)里面是以逗号,隔开的，那么就改为spt=img_each_label.split(，)。
xml_file.write( n )
XML _ file。write( str(SPT[0]) n )
xml_file.write(未指定n )
xml_file.write( 0n )
xml_file.write( 0n )
xml_file.write( n )
XML _ file。write( str(SPT[1]) n )
XML _ file。write( str(SPT[2]) n )
XML _ file。write( str(SPT[3]) n )
XML _ file。write( str(SPT[4]) n )
xml_file.write( n )
xml_file.write( n )
xml_file.write( )
承接Matlab、Python和C的编程，机器学习、计算机视觉的理论实现及辅导，本科和硕士的均可，咸鱼交易，专业回答请走知乎，详谈请联系即时通信软件号757160542,非诚勿扰。
本文同步分享在博客"要减肥的季节”(CSDN)。
如有侵权，请联系support@oschina.cn删除。
本文参与“OSC源创计划",欢迎正在阅读的你也加入，一起分享。
