CV(目标检测)中的IOU计算，附代码

1. 目标检测中的IOU

假设，我们有两个框，与，我们要计算其。其中的计算公式为，其交叉面积除以其并集。

的数学公式为：

上代码：

def compute_iou(rec1, rec2):
    """
    computing IoU
    param rec1: (y0, x0, y1, x1) , which reflects (top, left, bottom, right)
    param rec2: (y0, x0, y1, x1) , which reflects (top, left, bottom, right)
    return : scale value of IoU
    """
    S_rec1 =(rec1[2] -rec1[0]) *(rec1[3] -rec1[1])
    S_rec2 =(rec2[2] -rec2[0]) *(rec2[3] -rec2[1])
    #computing the sum area
    sum_area =S_rec1 +S_rec2
    #find the each edge of interest rectangle
    left_line =max(rec1[1], rec2[1])
    right_line =min(rec1[3], rec2[3])
    top_line =max(rec1[0], rec2[0])
    bottom_line =min(rec1[2], rec2[2])
    #judge if there is an intersect
    if left_line >=right_line or top_line >=bottom_line:
      return 0
    else:
      intersect =(right_line -left_line) *(bottom_line -top_line)
      return intersect /(sum_area -intersect)

这里我们主要讨论下这个判断，我们以横轴方向为例，其中对纵轴方向是一样的，我们来判断两个框重合与否。其中为左上角的坐标，是右下角的坐标。为的左上角坐标，是的右下角坐标。

2. 语义分割中的IOU

先回顾下一些基础知识：

常常将预测出来的结果分为四个部分： , , , ,其中就是指非物体标签的部分(可以直接理解为背景)，positive$就是指有标签的部分。下图显示了四个部分的区别：

图被分成四个部分，其中大块的白色斜线标记的是 （TN，预测中真实的背景部分），红色线部分标记是 （，预测中被预测为背景，但实际上并不是背景的部分），蓝色的斜线是 （，预测中分割为某标签的部分，但是实际上并不是该标签所属的部分），中间荧光黄色块就是  （，预测的某标签部分，符合真值）。

同样的，计算公式：

def compute_ious(pred, label, classes):
    '''computes iou for one ground truth mask and predicted mask'''
    ious = [] # 记录每一类的iou
    for c in classes:
        label_c = (label == c) # label_c为true/false矩阵
        pred_c = (pred == c)
        intersection = np.logical_and(pred_c, label_c).sum()
        union = np.logical_or(pred_c, label_c).sum()
        if union == 0:
            ious.append(float('nan'))  
        else
            ious.append(intersection / union)
    return np.nanmean(ious) #返回当前图片里所有类的mean iou

其中，对于与有多种形式。

如识别目标为4类，那么的形式可以是一张图片对应一份，其中 为背景，我们省略，则可以为。也可以是对应四份二进制 , 这四层的取值为。为了。

总结

对于目标检测，写那就是必考题，但是我们也要回顾下图像分割的怎么计算的。

引用

• https://blog.csdn.net/weixin_42135399/article/details/101025941
• https://blog.csdn.net/lingzhou33/article/details/87901365
• https://blog.csdn.net/lingzhou33/article/details/87901365