Python图像裁剪教程：基于YOLO格式标注文件精准提取边界框区域-Python教程-PHP中文网

Python图像裁剪教程：基于YOLO格式标注文件精准提取边界框区域

本文详解如何正确解析yolo格式的归一化标注文件（.txt），将中心坐标+宽高转换为像素级裁剪框，避免常见坐标误算导致的车牌/头盔等目标截断问题。

本文详解如何正确解析yolo格式的归一化标注文件（.txt），将中心坐标+宽高转换为像素级裁剪框，避免常见坐标误算导致的车牌/头盔等目标截断问题。

在计算机视觉任务中，尤其在车牌识别、头盔检测等场景下，需从原始图像中精确裁剪出标注目标区域。但许多开发者在使用YOLO格式标注文件（每行形如 class x_center y_center width height，所有值均归一化到 [0, 1] 区间）时，常因坐标转换逻辑错误，导致裁剪结果严重偏移或目标不完整——例如仅截取到车牌一角，或头盔被截去顶部。根本原因在于：误将归一化中心坐标直接当作左上角使用，或未正确处理归一化宽高的像素换算。

以下代码已全面修复原始实现中的关键缺陷，并增强鲁棒性：

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

import os
import cv2
import numpy as np

def crop_image_with_yolo_annotation(image_path, annotation_path, output_folder, padding_ratio=0.0):
    """
    基于YOLO格式标注文件（.txt）精确裁剪图像目标区域

    Args:
        image_path: 原图路径（支持.jpg/.jpeg/.png）
        annotation_path: 对应标注文件路径（每行: class x_c y_c w h，归一化）
        output_folder: 输出目录
        padding_ratio: 可选边距比例（如0.05表示在原bbox四周扩展5%）
    """
    # 读取图像
    img = cv2.imread(image_path)
    if img is None:
        print(f"❌ 错误：无法加载图像 {image_path}")
        return

    h, w = img.shape[:2]

    # 读取并解析标注
    try:
        with open(annotation_path, 'r') as f:
            lines = [line.strip() for line in f.readlines() if line.strip()]
    except FileNotFoundError:
        print(f"⚠️ 警告：标注文件不存在 {annotation_path}，跳过")
        return

    if not lines:
        print(f"⚠️ 警告：标注文件为空 {annotation_path}，跳过")
        return

    # 逐行处理多目标（支持单图多框）
    for idx, line in enumerate(lines):
        values = line.split()
        if len(values)  0:
                pad_w = int((x2 - x1) * padding_ratio)
                pad_h = int((y2 - y1) * padding_ratio)
                x1 = max(0, x1 - pad_w)
                y1 = max(0, y1 - pad_h)
                x2 = min(w, x2 + pad_w)
                y2 = min(h, y2 + pad_h)

            # 裁剪并保存
            cropped = img[y1:y2, x1:x2]
            if cropped.size == 0:
                print(f"⚠️ 警告：裁剪区域为空（坐标越界），跳过第{idx+1}个框")
                continue

            # 构造输出路径（支持多框：_0, _1...）
            name, ext = os.path.splitext(os.path.basename(image_path))
            output_path = os.path.join(
                output_folder, 
                f"{name}_crop{idx+1}{ext}"
            )
            cv2.imwrite(output_path, cropped)
            print(f"✅ 已保存裁剪图：{output_path} | 尺寸: {cropped.shape[1]}×{cropped.shape[0]}")

        except ValueError as e:
            print(f"⚠️ 警告：标注数值解析失败 {line}，错误: {e}")
            continue

# --- 批量处理主流程 ---
input_folder = r"C:\Users\Desktop\crop"
output_folder = r"C:\Users\Desktop\crop\new"

os.makedirs(output_folder, exist_ok=True)

for filename in os.listdir(input_folder):
    if not filename.lower().endswith(('.jpg', '.jpeg', '.png')):
        continue

    image_path = os.path.join(input_folder, filename)
    txt_path = os.path.join(input_folder, os.path.splitext(filename)[0] + ".txt")

    crop_image_with_yolo_annotation(
        image_path=image_path,
        annotation_path=txt_path,
        output_folder=output_folder,
        padding_ratio=0.05  # 推荐对车牌/头盔等小目标加5%边距
    )