def _crop_img_bboxes(self,img,bboxes):          '''          裁剪后图片要包含所有的框          输入：              img：图像array              bboxes：该图像包含的所有boundingboxes，一个list，每个元素为[x_min,y_min,x_max,y_max]                      要确保是数值          输出：              crop_img：裁剪后的图像array              crop_bboxes：裁剪后的boundingbox的坐标，list          '''          #------------------ 裁剪图像 ------------------          w = img.shape[1]          h = img.shape[0]            x_min = w          x_max = 0          y_min = h          y_max = 0          for bbox in bboxes:              x_min = min(x_min, bbox[0])              y_min = min(y_min, bbox[1])              x_max = max(x_max, bbox[2])              y_max = max(x_max, bbox[3])              name = bbox[4]            # 包含所有目标框的最小框到各个边的距离          d_to_left = x_min          d_to_right = w - x_max          d_to_top = y_min          d_to_bottom = h - y_max            # 随机扩展这个最小范围          crop_x_min = int(x_min - random.uniform(0, d_to_left))          crop_y_min = int(y_min - random.uniform(0, d_to_top))          crop_x_max = int(x_max + random.uniform(0, d_to_right))          crop_y_max = int(y_max + random.uniform(0, d_to_bottom))            # 确保不出界          crop_x_min = max(0, crop_x_min)          crop_y_min = max(0, crop_y_min)          crop_x_max = min(w, crop_x_max)          crop_y_max = min(h, crop_y_max)            crop_img = img[crop_y_min:crop_y_max, crop_x_min:crop_x_max]            #------------------ 裁剪bounding boxes ------------------          crop_bboxes = list()          for box in bboxes:              crop_bboxes.append([bbox[0]-crop_x_min, bbox[1]-crop_y_min,                                 bbox[2]-crop_x_max, bbox[3]-crop_y_max,name])            return crop_img, crop_bboxes

def _shift_pic_bboxes(self, img, bboxes):          '''          平移后需要包含所有的框          参考资料：https://blog.csdn.net/sty945/article/details/79387054          输入：              img：图像array              bboxes：该图像包含的所有boundingboxes，一个list，每个元素为[x_min,y_min,x_max,y_max]                      要确保是数值          输出：              shift_img：平移后的图像array              shift_bboxes：平移后的boundingbox的坐标，list          '''          #------------------ 平移图像 ------------------          w = img.shape[1]          h = img.shape[0]            x_min = w          x_max = 0          y_min = h          y_max = 0          for bbox in bboxes:              x_min = min(x_min, bbox[0])              y_min = min(y_min, bbox[1])              x_max = max(x_max, bbox[2])              y_max = max(x_max, bbox[3])              name = bbox[4]            # 包含所有目标框的最小框到各个边的距离，即每个方向的最大移动距离          d_to_left = x_min          d_to_right = w - x_max          d_to_top = y_min          d_to_bottom = h - y_max            #在矩阵第一行中表示的是[1,0,x],其中x表示图像将向左或向右移动的距离，如果x是正值，则表示向右移动，如果是负值的话，则表示向左移动。          #在矩阵第二行表示的是[0,1,y],其中y表示图像将向上或向下移动的距离，如果y是正值的话，则向下移动，如果是负值的话，则向上移动。          x = random.uniform(-(d_to_left/3), d_to_right/3)          y = random.uniform(-(d_to_top/3), d_to_bottom/3)          M = np.float32([[1, 0, x], [0, 1, y]])            # 仿射变换          shift_img = cv2.warpAffine(img, M, (img.shape[1], img.shape[0])) #第一个参数表示我们希望进行变换的图片，第二个参数是我们的平移矩阵，第三个希望展示的结果图片的大小            #------------------ 平移boundingbox ------------------          shift_bboxes = list()          for bbox in bboxes:              shift_bboxes.append([bbox[0]+x, bbox[1]+y, bbox[2]+x, bbox[3]+y, name])            return shift_img, shift_bboxes

def _changeLight(self,img):          '''          adjust_gamma(image, gamma=1, gain=1)函数:          gamma>1时，输出图像变暗，小于1时，输出图像变亮          输入：              img：图像array          输出：              img：改变亮度后的图像array          '''          flag = random.uniform(0.5, 1.5) ##flag>1为调暗,小于1为调亮          return exposure.adjust_gamma(img, flag) 

    def _addNoise(self,img):          '''          输入：              img：图像array          输出：              img：加入噪声后的图像array,由于输出的像素是在[0,1]之间,所以得乘以255          '''          return random_noise(img, mode='gaussian', clip=True) * 255

 def _rotate_img_bboxes(self, img, bboxes, angle=5, scale=1.):          '''          参考：https://blog.csdn.net/saltriver/article/details/79680189                https://www.ctolib.com/topics-44419.html          关于仿射变换：https://www.zhihu.com/question/20666664          输入:              img:图像array,(h,w,c)              bboxes:该图像包含的所有boundingboxs,一个list,每个元素为[x_min, y_min, x_max, y_max],要确保是数值              angle:旋转角度              scale:默认1          输出:              rot_img:旋转后的图像array              rot_bboxes:旋转后的boundingbox坐标list          '''          #---------------------- 旋转图像 ----------------------          w = img.shape[1]          h = img.shape[0]          # 角度变弧度          rangle = np.deg2rad(angle)          # 计算新图像的宽度和高度，分别为最高点和最低点的垂直距离          nw = (abs(np.sin(rangle)*h) + abs(np.cos(rangle)*w))*scale          nh = (abs(np.cos(rangle)*h) + abs(np.sin(rangle)*w))*scale          # 获取图像绕着某一点的旋转矩阵          # getRotationMatrix2D(Point2f center, double angle, double scale)                              # Point2f center：表示旋转的中心点                              # double angle：表示旋转的角度                              # double scale：图像缩放因子                              #参考：https://cloud.tencent.com/developer/article/1425373          rot_mat = cv2.getRotationMatrix2D((nw*0.5, nh*0.5), angle, scale) # 返回 2x3 矩阵          # 新中心点与旧中心点之间的位置          rot_move = np.dot(rot_mat,np.array([(nw-w)*0.5, (nh-h)*0.5,0]))          # the move only affects the translation, so update the translation          # part of the transform          rot_mat[0,2] += rot_move[0]          rot_mat[1,2] += rot_move[1]          # 仿射变换          rot_img = cv2.warpAffine(img, rot_mat, (int(math.ceil(nw)), int(math.ceil(nh))), flags=cv2.INTER_LANCZOS4) # ceil向上取整            #---------------------- 矫正boundingbox ----------------------          # rot_mat是最终的旋转矩阵          # 获取原始bbox的四个中点，然后将这四个点转换到旋转后的坐标系下          rot_bboxes = list()          for bbox in bboxes:              x_min = bbox[0]              y_min = bbox[1]              x_max = bbox[2]              y_max = bbox[3]              name = bbox[4]              point1 = np.dot(rot_mat, np.array([(x_min+x_max)/2, y_min,1]))              point2 = np.dot(rot_mat, np.array([x_max, (y_min+y_max)/2, 1]))              point3 = np.dot(rot_mat, np.array([(x_min+x_max)/2, y_max, 1]))              point4 = np.dot(rot_mat, np.array([x_min, (y_min+y_max)/2, 1]))                # 合并np.array              concat = np.vstack((point1, point2,point3,point4)) # 在竖直方向上堆叠              # 改变array类型              concat = concat.astype(np.int32)              # 得到旋转后的坐标              rx, ry, rw, rh = cv2.boundingRect(concat)              rx_min = rx              ry_min = ry              rx_max = rx+rw              ry_max = ry+rh              # 加入list中              rot_bboxes.append([rx_min, ry_min, rx_max, ry_max,name])            return rot_img, rot_bboxes

 # 镜像      def _flip_pic_bboxes(self, img, bboxes):          '''          参考：https://blog.csdn.net/jningwei/article/details/78753607          镜像后的图片要包含所有的框          输入：              img：图像array              bboxes：该图像包含的所有boundingboxs,一个list,每个元素为[x_min, y_min, x_max, y_max],要确保是数值          输出:              flip_img:镜像后的图像array              flip_bboxes:镜像后的bounding box的坐标list          '''          # ---------------------- 镜像图像 ----------------------          import copy          flip_img = copy.deepcopy(img)          if random.random() < 0.5:              horizon = True          else:              horizon = False          h, w, _ = img.shape          if horizon: # 水平翻转              flip_img = cv2.flip(flip_img, -1)          else:              flip_img = cv2.flip(flip_img, 0)          # ---------------------- 矫正boundingbox ----------------------          flip_bboxes = list()          for bbox in bboxes:              x_min = bbox[0]              y_min = bbox[1]              x_max = bbox[2]              y_max = bbox[3]              name = bbox[4]              if horizon:                  flip_bboxes.append([w-x_max, y_min, w-x_min, y_max, name])              else:                  flip_bboxes.append([x_min, h-y_max, x_max, h-y_min, name])            return flip_img, flip_bboxes