在python中裁剪多个图像的基于模式的区域

我有很多截图需要裁剪。所有图像看起来都很相似——有一个带蓝色边框的矩形窗口，其中包含一些图形元素。这个窗口包含在另一个窗口中，但我只需要裁剪内部窗口。在所有图像中，内部窗口的尺寸不同，内容也不同。在大多数情况下，内容包括矩形形式的元素，有时包括蓝色边框，与内部窗口的边框相同。我之所以提到这一点，是因为我想到了以下流程：

遍历目标目录中所有图像的脚本。对于每一项：

• 查找要裁剪的区域（内窗口）
• 种植该地区
• 保存文件

---

如何做到这一点？Python不是强制性的，也可以是任何其他的。

这并不简单，但这是一个可能的方法：

import matplotlib.pyplot as plt
import numpy as np

def synthimage():
    w,h = 300,200
    im = np.random.randint(0,255,(w,h,3))/255
    xa = np.random.randint(50,w-60)
    xb = xa + np.random.randint(50,90)
    ya = np.random.randint(50,h-60)
    yb = ya + np.random.randint(20,50)
    im[xa:xb,ya] = np.array([1,0,0])
    im[xa:xb,yb] = np.array([1,0,0])
    im[xa,ya:yb] = np.array([1,0,0])
    im[xb,ya:yb] = np.array([1,0,0])
    return im

def getRectPoints(im):
    x,y = [],[]
    for i in range(im.shape[0]):
        for j in range(im.shape[1]):
            if (im[i,j]-np.array([1,0,0])).sum()==0:
                x.append(i)
                y.append(j)
    return np.array(x),np.array(y)

def denoise(x,y):
    nx,ny = [],[]
    for i in range(x.shape[0]):
        d = np.sqrt((x[i]-x)**2+(y[i]-y)**2)
        m = d<2
        if len(m.nonzero()[0])>2:
            nx.append(x[i])
            ny.append(y[i])
    return np.array(nx),np.array(ny)

im = synthimage()    
plt.imshow(np.swapaxes(im,0,1),origin='lower',interpolation='nearest')
plt.show()

x,y = getRectPoints(im)
plt.scatter(x,y,c='red')
plt.xlim(0,300)
plt.ylim(0,200)
plt.show()

nx,ny = denoise(x,y)
plt.scatter(nx,ny,c='red')
plt.xlim(0,300)
plt.ylim(0,200)
plt.show()

#Assuming rectangle has no rotation (otherwise check Scipy ConveHull)
xmi = nx.min()
xma = nx.max()
ymi = ny.min()
yma = ny.max()

new = np.ones(im.shape)
new[xmi:xma,ymi:yma] = im[xmi:xma,ymi:yma]
plt.imshow(np.swapaxes(new,0,1),origin='lower',interpolation='nearest')
plt.show()

导入matplotlib.pyplot作为plt
将numpy作为np导入
def synthimage（）：
w、 h=300200
im=np.random.randint（0255，（w，h，3））/255
xa=np.random.randint（50，w-60）
xb=xa+np.random.randint（50,90）
ya=np.random.randint（50，h-60）
yb=ya+np.random.randint（20,50）
im[xa:xb，ya]=np.数组（[1,0,0]）
im[xa:xb，yb]=np.数组（[1,0,0]）
im[xa，ya:yb]=np.数组（[1,0,0]）
im[xb，ya:yb]=np.数组（[1,0,0]）
返回即时消息
def getRectPoints（im）：
x、 y=[]，[]
对于范围内的i（im.shape[0]）：
对于范围内的j（im.形状[1]）：
如果（im[i，j]-np.数组（[1,0,0]）.sum（）==0：
x、 附加（i）
y、 附加（j）
返回np.array（x），np.array（y）
def去噪（x，y）：
nx，ny=[]，[]
对于范围内的i（x.shape[0]）：
d=np.sqrt（（x[i]-x）**2+（y[i]-y）**2）
m=d2：
追加（x[i]）
附加（y[i]）
返回np.array（nx），np.array（ny）
im=synthimage（）
plt.imshow（np.swapaxes（im，0,1），原点='lower'，插值='nearest'）
plt.show（）
x、 y=getRectPoints（im）
plt.散射（x，y，c='red'）
plt.xlim（0300）
plt.ylim（0200）
plt.show（）
nx，ny=去噪（x，y）
plt.散射（nx，ny，c='red'）
plt.xlim（0300）
plt.ylim（0200）
plt.show（）
#假设矩形没有旋转（否则请选中Scipy CONVOHULL）
xmi=nx.min（）
xma=nx.max（）
ymi=ny.min（）
yma=ny.max（）
新=np.ones（im.shape）
新的[xmi:xma，ymi:yma]=im[xmi:xma，ymi:yma]
plt.imshow（np.swapax（新的，0,1），原点='lower'，插值='nearest'）
plt.show（）

，函数的名称应该是自解释的。为本次演习的目的生成了合成数据。结果如下（按顺序）：

---

显然，这些步骤中的每一步都可以根据需求进行更改，但对于大多数案例研究来说，这是一个功能解决方案。

这并不简单，但这是一个可能的方法：

import matplotlib.pyplot as plt
import numpy as np

def synthimage():
    w,h = 300,200
    im = np.random.randint(0,255,(w,h,3))/255
    xa = np.random.randint(50,w-60)
    xb = xa + np.random.randint(50,90)
    ya = np.random.randint(50,h-60)
    yb = ya + np.random.randint(20,50)
    im[xa:xb,ya] = np.array([1,0,0])
    im[xa:xb,yb] = np.array([1,0,0])
    im[xa,ya:yb] = np.array([1,0,0])
    im[xb,ya:yb] = np.array([1,0,0])
    return im

def getRectPoints(im):
    x,y = [],[]
    for i in range(im.shape[0]):
        for j in range(im.shape[1]):
            if (im[i,j]-np.array([1,0,0])).sum()==0:
                x.append(i)
                y.append(j)
    return np.array(x),np.array(y)

def denoise(x,y):
    nx,ny = [],[]
    for i in range(x.shape[0]):
        d = np.sqrt((x[i]-x)**2+(y[i]-y)**2)
        m = d<2
        if len(m.nonzero()[0])>2:
            nx.append(x[i])
            ny.append(y[i])
    return np.array(nx),np.array(ny)

im = synthimage()    
plt.imshow(np.swapaxes(im,0,1),origin='lower',interpolation='nearest')
plt.show()

x,y = getRectPoints(im)
plt.scatter(x,y,c='red')
plt.xlim(0,300)
plt.ylim(0,200)
plt.show()

nx,ny = denoise(x,y)
plt.scatter(nx,ny,c='red')
plt.xlim(0,300)
plt.ylim(0,200)
plt.show()

#Assuming rectangle has no rotation (otherwise check Scipy ConveHull)
xmi = nx.min()
xma = nx.max()
ymi = ny.min()
yma = ny.max()

new = np.ones(im.shape)
new[xmi:xma,ymi:yma] = im[xmi:xma,ymi:yma]
plt.imshow(np.swapaxes(new,0,1),origin='lower',interpolation='nearest')
plt.show()

导入matplotlib.pyplot作为plt
将numpy作为np导入
def synthimage（）：
w、 h=300200
im=np.random.randint（0255，（w，h，3））/255
xa=np.random.randint（50，w-60）
xb=xa+np.random.randint（50,90）
ya=np.random.randint（50，h-60）
yb=ya+np.random.randint（20,50）
im[xa:xb，ya]=np.数组（[1,0,0]）
im[xa:xb，yb]=np.数组（[1,0,0]）
im[xa，ya:yb]=np.数组（[1,0,0]）
im[xb，ya:yb]=np.数组（[1,0,0]）
返回即时消息
def getRectPoints（im）：
x、 y=[]，[]
对于范围内的i（im.shape[0]）：
对于范围内的j（im.形状[1]）：
如果（im[i，j]-np.数组（[1,0,0]）.sum（）==0：
x、 附加（i）
y、 附加（j）
返回np.array（x），np.array（y）
def去噪（x，y）：
nx，ny=[]，[]
对于范围内的i（x.shape[0]）：
d=np.sqrt（（x[i]-x）**2+（y[i]-y）**2）
m=d2：
追加（x[i]）
附加（y[i]）
返回np.array（nx），np.array（ny）
im=synthimage（）
plt.imshow（np.swapaxes（im，0,1），原点='lower'，插值='nearest'）
plt.show（）
x、 y=getRectPoints（im）
plt.散射（x，y，c='red'）
plt.xlim（0300）
plt.ylim（0200）
plt.show（）
nx，ny=去噪（x，y）
plt.散射（nx，ny，c='red'）
plt.xlim（0300）
plt.ylim（0200）
plt.show（）
#假设矩形没有旋转（否则请选中Scipy CONVOHULL）
xmi=nx.min（）
xma=nx.max（）
ymi=ny.min（）
yma=ny.max（）
新=np.ones（im.shape）
新的[xmi:xma，ymi:yma]=im[xmi:xma，ymi:yma]
plt.imshow（np.swapax（新的，0,1），原点='lower'，插值='nearest'）
plt.show（）

，函数的名称应该是自解释的。为本次演习的目的生成了合成数据。结果如下（按顺序）：

---

显然，每个步骤都可以根据需求进行更改，但对于大多数案例研究来说，这是一个功能解决方案。

我认为是这样。你能在这里举一些长方形图片的例子吗？不，我想是的。你能在这里举一些矩形图像的例子吗？不，它很自信：\