现有的Crowding Counter任务数据集大小均不大，例如ShanghaiTech数据集的大小就几百张，因此为了增强训练的效果，通常会将数据集进行扩充，较为简单的方法就是将原始的图像进行局部裁剪，从而达到扩充的目的。
以下代码以ShanghaiTech的数据集为示例（不同示例数据集的.mat文件读取方法不同）
文件说明：
原始.mat文件放在groundPath/下；
原始图像放在imagePath/下；
因为将一张图像裁剪为9份，因此用for循环控制每一次的图像存储到单独的一个文件夹中；
def createImageAndMat(): originalIndex = [ # 从这些点开始裁剪矩阵 [50,50],[250,50],[400,50], [50,100],[250,100],[400,100], [50,250],[250,250],[400,250] ] h = 425 # 需要裁剪矩阵的长和宽 w = 565 image_index = 300 for index_i in range(0, 9): x = originalIndex[index_i][0] y = originalIndex[index_i][1] for i in range(1,301): print(i) image = imagePath+"IMG_"+str(i)+".jpg" img = cv2.imread(image) cropImg = img[(y):(y+h), (x):(x+w)] cv2.imwrite("./justPoint/img_"+str(index_i+1)+"/IMG_"+str(image_index+i)+".jpg", cropImg) mat = loadmat(groundPath+"GT_IMG_"+str(i)+".mat") coordinates = mat["image_info"][0][0][0][0][0] coords = [] for j in range(0, len(coordinates)): x_1 = coordinates[j][0] y_1 = coordinates[j][1] if x_1 >= x and x_1 <= x+w: if y_1 >= y and y_1 <= y+h: x_1 = x_1-x y_1 = y_1-y coords.append([x_1, y_1]) mat["image_info"][0][0][0][0][0] = coords scipy.io.savemat("./justPoint/ground_truth_"+str(index_i+1)+"/GT_IMG_"+str(image_index+i)+".mat", mat) image_index += 300 # 原始图像为300张，每次裁剪生成300个新图像，因此加300当得到裁剪后的图像以及.mat文件后，可以用下面代码进行将mat文件中的点标注到图像上来查看是否正确：
def showImageaAfterProcess(): for i in range(601,900): img = "./justPoint/img_2/IMG_"+str(i)+".jpg" image = cv2.imread(img) mat = loadmat("./justPoint/ground_truth_2/GT_IMG_"+str(i)+".mat") coords = mat["image_info"][0][0][0][0][0] print(len(coords)) point_size = 1 point_color = (0, 0, 255) # BGR thickness = 4 # 0 、4、8 for coor in coords: cv2.circle(image, (int(coor[0]),int(coor[1])), point_size, point_color, thickness) cv2.imwrite("./justPoint/img_3/IMG_"+str(i)+".jpg", image, [int(cv2.IMWRITE_JPEG_QUALITY),95])由于裁剪后的图像尺寸小于原始图像，因此如果需要将原始图像和裁剪后的图像进行大小调整，可以参考这篇博客：https://blog.csdn.net/zxs0222/article/details/107899079
完毕；
