根据本地coco数据集中的test2017提取出分辨率大于1080p的一些特定类的图片，并保存新的JSON，python

以下是提取并保存符合条件的图片信息到新JSON文件的Python代码示例：

import json
from PIL import Image

# 读取原始JSON文件
with open('annotations/instances_test2017.json', 'r') as f:
    data = json.load(f)

# 定义特定类别和最小分辨率
categories = ['person', 'car', 'bus']  # 特定类别
min_resolution = (1920, 1080)  # 最小分辨率

# 新JSON文件的内容
new_data = {
    'info': data['info'],
    'licenses': data['licenses'],
    'images': [],
    'annotations': [],
    'categories': data['categories']
}

# 遍历每张图片
for img in data['images']:
    # 读取图片并获取分辨率
    image = Image.open('test2017/' + img['file_name'])
    width, height = image.size
    
    # 判断是否符合条件
    if width >= min_resolution[0] and height >= min_resolution[1]:
        for annotation in data['annotations']:
            if annotation['image_id'] == img['id'] and data['categories'][annotation['category_id']]['name'] in categories:
                new_data['annotations'].append(annotation)
        new_data['images'].append(img)

# 保存新JSON文件
with open('new_annotations.json', 'w') as f:
    json.dump(new_data, f)

在上面的代码中，我们首先读取了原始的COCO JSON文件，并定义了特定的类别和最小分辨率。然后，我们遍历了每张图片，读取它们的分辨率并判断是否符合条件。如果符合条件，我们就将该图片和它对应的标注信息保存到新的JSON文件中。

请注意，上面的代码可能需要根据你的具体需求进行一些修改。例如，你可能需要修改COCO数据集的路径，或者修改特定类别和最小分辨率的值。