YOLO格式 转为 旋转数据标注rolabelimg/labelimg2的VOC格式（集成主成分提取角度）

之前用labelimg标注了七十张的yolo格式数据集，但是现在要换识别的模型，需要用到带有角度的VOC格式数据集，传统VOC格式数据集包含的位置信息是（xmin, ymin, xmax, ymax），而使用rolabelimg/labelimg2标注的旋转举矩形数据集包含的位置信息是（cx, cy, w, h, angle）。

前四项cx, cy, w, h可以使用yolo提供的x_0, y_0, w_0, h_0计算得到，但是无法得到角度信息，于是使用基于主成分提取的方向校正（OpenCV）方法得到目标框的角度，然后写为VOC的XML格式。

本文共分为两部分：主成分方向提取代码和VOC格式生成代码。

1. 主成分方向提取代码(OpenCV)

我用的体系是很简单的椭圆结构，方向比较好提取，因此可以使用PCA特征提取的方法求得主方向。下面介绍参考代码的修改部分。

函数设计的思路是输入(img, cx, cy, width, height)，输出角度值，这个角度值按照下图定义，纵轴正方向开始，顺时针旋转是角度增大，一直增加到，然后到达纵轴负方向；继续逆时针旋转后角度从0开始，又增加到，直到回到纵轴正方向。

而且我需要的是短边的角度，PCA程序生成两个角度：第一、第二主成分方向，第一主成分方向就是下图长边的方向，第二主成分方向才是我需要的短边的方向，生成后发现第二主方向都是分布在一三四象限的，没有找到第二象限的方向，即角度范围在，第一象限的也很少，角度转换就很好设计了：

theta = (theta_PCA - math.pi / 2) if (theta_PCA > math.pi / 2) else (theta_PCA + math.pi / 2)

get_angle程序如下：

def get_angle(img, cx, cy, width, height):
    # 14.18 基于 PCA 的方向矫正 (OpenCV):https://blog.csdn.net/youcans/article/details/125782405
    # 必须要规定截取图像的范围，不能小于零！！！
    Pheight, Pwidth, _ = img.shape
    # 裁剪坐标为[y0:y1, x0:x1]
    #截取的左上坐标
    left_top = (max(int(cx - width / 2), 0), min(int(cy - height / 2), Pheight))
    #截取的右下坐标
    right_bottom = (max(int(cx + width / 2), 0), min(int(cy + height / 2), Pwidth))
    # 裁剪坐标为[y0:y1, x0:x1]
    img_crop = img[left_top[1]:right_bottom[1], left_top[0]:right_bottom[0]]
    # cv_show('img_crop', img_crop, True)
    gray = cv2.cvtColor(img_crop, cv2.COLOR_BGR2GRAY)
    _, binary = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY_INV)

    # 寻找二值化图中的轮廓，检索所有轮廓，输出轮廓的每个像素点
    contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)  # OpenCV4~
    fullCnts = np.zeros(img_crop.shape[:2], np.uint8)  # 绘制轮廓函数会修改原始图像
    fullCnts = cv2.drawContours(fullCnts, contours, -1, (255, 255, 255), thickness=3)  # 绘制全部轮廓

    # 按轮廓的面积排序，绘制面积最大的轮廓
    cnts = sorted(contours, key=cv2.contourArea, reverse=True)  # 所有轮廓按面积排序
    cnt = cnts[0]  # 第 0 个轮廓，面积最大的轮廓，(1445, 1, 2)
    maxCnt = np.zeros(img_crop.shape[:2], np.uint8)  # 初始化最大轮廓图像
    cv2.drawContours(maxCnt, cnts[0], -1, (255, 255, 255), thickness=3)  # 仅绘制最大轮廓 cnt

    # 主成分分析方法提取目标的方向
    markedCnt = maxCnt.copy()
    ptsXY = np.squeeze(cnt).astype(np.float64)  # 删除维度为1的数组维度，(1445, 1, 2)->(1445, 2)
    mean, eigenvectors, eigenvalues = cv2.PCACompute2(ptsXY, np.array([]))  # (1, 2) (2, 2) (2, 1)

    # 绘制第一、第二主成分方向轴
    center = mean[0, :].astype(int)  # 近似作为目标的中心 [266 281]
    # e1xy = eigenvectors[0,:] * eigenvalues[0,0]  # 第一主方向轴
    e2xy = eigenvectors[1,:] * eigenvalues[1,0]  # 第二主方向轴
    # p1 = (center + 0.1*e1xy).astype(np.int)  # P1:[149 403]
    p2 = (center + 0.1*e2xy).astype(np.int)  # P2:[320 332]
    theta = np.arctan2(eigenvectors[1,1], eigenvectors[1,0])  # 第二主方向角度 133.6
    # cv2.circle(markedCnt, center, 6, 255, -1)  # 在PCA中心位置画一个圆圈  RGB
    # cv2.arrowedLine(markedCnt, center, p1, (255, 0, 0), thickness=2, tipLength=0.1)  # 从 center 指向 pt1
    cv2.arrowedLine(markedCnt, center, p2, (255, 0, 0), thickness=2, tipLength=0.2)  # 从 center 指向 pt2
    # cv_show('markedCnt', markedCnt, True)
    theta = (theta - math.pi / 2) if (theta > math.pi / 2) else (theta + math.pi / 2)
    return theta

2. VOC格式生成代码

相较于参考代码做了以下修改，可以生成rolabelimg/labelimg2能够识别的旋转矩形VOC数据集：

1. 增加了二级节点；

2. 增加了二级节点及其下的三级节点；

3. 增加了二级节点；

4. 二级标签下