【labelme】解析json文件小工具

注解： 下列使用场景为2类箱子识别

import json
import matplotlib.pyplot as plt
import numpy as np
import cv2
import os
from labelme import utils
from PIL import Image

json_file_path = r'D:/00-机器学习/data/json'  # 保存json文件的文件夹
png_save_path = r'D:/00-机器学习/data/data_png_one/'#生成的图片保存路径

json_file_names = os.listdir(json_file_path)  # json列表

for json_file_name in json_file_names:
    json_file = os.path.join(json_file_path, json_file_name)

    # json_file = r'D:/pycharm_projects/g3_work/data/new_data_json/1007.json'
    json_name = str(json_file)
    j_name_list = json_name.split('\\')  # ['D:/00-机器学习/data/json', '418.json']
    j_number = int(j_name_list[-1][:-5])  # 418

    data = json.load(open(json_file))

    ''' 其他
    data['imageData'] # 原图数据 str
    data['shapes'] # 每个对像mask及label  list
    len(data['shapes']) # 返回对象个数 int
    data['shapes'][0]['label'] # 返回第一个对象的标签 str
    data['shapes'][0]['points'] # 返回第一个对象的边界点 list
    data['shapes'][0]['points'][0] # 返回第一个对象的边界点第一个点 list

    data['imagePath'] # 原图路径 str
    data['fillColor'] # 填充颜色（边界内部） list
    data['lineColor'] # 边界线颜色  list
    '''

    img = utils.img_b64_to_arr(data['imageData'])  # data['imageData']：原图数据 str
    lbl, lbl_names = utils.labelme_shapes_to_label(img.shape, data['shapes'])  # data['shapes']：每个对像mask及label  list
    captions = ['%d: %s' % (l, name) for l, name in
                enumerate(lbl_names)]  # 转换成字符列表的形式，cations:['0: _background_', '1: box0']
    '''
           utils.labelme_shapes_to_label：
           参数：
           data['shape']:每个目标对象标注后的信息
                        eg.[{'label': 'box0', 'points': [[144.44444444444443, 154.1111111111111], [127.77777777777777, 365.2222222222222],
                                         [388.88888888888886, 367.074074074074], [361.1111111111111, 157.81481481481478]],'group_id': None, 
                                         'shape_type': 'polygon', 'flags': {}}]
           返回值：
           lbl：数组的形式，值为0、1 （目标对象为1，背景为0）
           lbl_names ：字典的形式，存放的背景，对象对应的编码  eg.{'_background_': 0, 'box0': 1}
    '''

    '''原图中目标对象用颜色标注'''
    lbl_viz = utils.draw_label(lbl, img, captions)
    lbl_viz_img = Image.fromarray(lbl_viz)
    # lbl_viz_img.show()
    # exit()

    '''掩码颜色设置'''
    mask = []  # 存放
    class_id = []  # 存放目标对象编号（不包括背景即0）
    for i in range(1, len(lbl_names)):  # 若有多个class（物体） 跳过第一个class（默认为背景）
        mask.append((lbl == i).astype(np.uint8))  # 解析出像素值为1的对应，对应第一个对象 mask 为0、1组成的（0为背景，1为对象）
        class_id.append(i)  # mask与clas 一一对应

    # mask通道数对应标签种类数，每一个通道的有目标位置像素值为1
    mask = np.transpose(np.asarray(mask, np.uint8), [1, 2, 0])  # 转成[h,w,instance count]
    class_id = np.asarray(class_id, np.uint8)  # [instance count,]

    '''背景颜色+对象颜色设置'''
    background = np.zeros((512, 512, 3))  # 创建背景区域
    box_dict = {
    
    'box1': 0, 'box0': 1, '_background_': 2}
    # 定义掩码颜色（不同箱子同一颜色or不同类型箱子不同颜色）
    color_list = [(0, 255, 0), (255, 0, 0)]  # 标准箱子绿色，其余箱子红色
    # color_list = [(0, 255, 0), (0, 255, 0)]  # 所有箱子全为绿色

    name_list = []  # 存放目标对象编号（除了背景外，该例子只有箱子故为1）
    for key in lbl_names:
        if key == '_background_':
            continue
        name_list.append(box_dict[key])

    for i, cls in enumerate(name_list):
        nmsl = mask[:, :, i] == 1
        background[nmsl, :] = color_list[cls]

    # cv2.imshow('',background)
    # cv2.waitKey(0)
    # cv2.destroyAllWindows()
    # print(background.shape)

    res_img = Image.fromarray(np.uint8(background))
    res_img = res_img.convert('RGBA')

    # 保存png图片，需要提前创建好文件夹
    res_img.save(png_save_path+'{}.png'.format(j_number))