IoU(交并比)的理解及python实现

WonderThink

已于 2023-03-17 09:33:27 修改

阅读量9.1k

点赞数 15

分类专栏：机器视觉文章标签： python 图像处理

于 2022-06-18 15:44:43 首次发布

本文链接：https://blog.csdn.net/WonderThink/article/details/125347639

版权

机器视觉专栏收录该内容

7 篇文章 0 订阅

订阅专栏

1. 概述

交并比(Intersection over Union, IoU)是目标检测、语义分割、追踪等任务最常用的评估指标。交并比，顾名思义是两区域交集与并集的比值，当两区域完全重叠时交并比最大，为1；当两区域完全不重叠时交并比最小，为0。

2. IoU计算公式

要计算候选框(candidate bound) A与真实框(ground truth bound) B的交并比。
在这里插入图片描述

B1框与B2框的IoU计算公式为：
$\frac{\mid A\cap B\mid}{\mid A\cup B\mid}$

A、B的坐标如下图：

交集的左上角坐标为：
$x_{1} = max\big(x_{a1}, x_{b1})$

$y_{1} = max\big(y_{a1}, y_{b1})$

交集的右下角坐标为：
$x_{2} = min\big(x_{a2}, x_{b2})$

$y_{2} = min\big(y_{a2}, y_{b2})$

交集部分的宽、高、面积：
$max\big(x_{2}-x_{1}, 0)$

$max\big(y_{2}-y_{1}, 0)$

$S_{A \cap B} = width * height$

A框的面积：
$S_{A} = \big(x_{a2}-x_{a1})\cdot\big(y_{a2}-y_{a1})$
B框的面积：
$S_{B} = \big(x_{b2}-x_{b1})\cdot\big(y_{b2}-y_{b1})$
并集部分：
$S_{A \cup B} = S_{A} + S_{B} - S_{A \cap B}$
交并比为：

$\frac{S_{A \cap B}}{S_{A \cup B}}$
3. IoU公式的python实现

def IoU(box1, box2) -> float:
    """
    IOU, Intersection over Union

    :param box1: list, 第一个框的两个坐标点位置 box1[x1, y1, x2, y2]
    :param box2: list, 第二个框的两个坐标点位置 box2[x1, y1, x2, y2]
    :return: float, 交并比
    """
    weight = max(min(box1[2], box2[2]) - max(box1[0], box2[0]), 0)
    height = max(min(box1[3], box2[3]) - max(box1[1], box2[1]), 0)
    s_inter = weight * height
    s_box1 = (box1[2] - box1[0]) * (box1[3] - box1[1])
    s_box2 = (box2[2] - box2[0]) * (box2[3] - box2[1])
    s_union = s_box1 + s_box2 - s_inter
    return s_inter / s_union


if __name__ == '__main__':
    box1 = [0, 0, 50, 50]
    box2 = [0, 0, 100, 100]
    print('IoU is %f' % IoU(box1, box2))