matlab实现iou计算,IOU的计算与python实现,和

1：前言

深度学习的目标检测中，IOU表示先验框(bounding box)和真实框(Ground Truth)的交并比，在数学上就是表示两个框之间的交际和两个框的并集的比值。初中我们就知道，交集一定是小于或等于并集。在faster rcnn等目标检测框架中，经常用到这个东西，今天来实现一下。虽然网上有很多版本，都实现的很好，但是可以记录一下学习过程。

2：IOU分析

2.1 名词解释：

一共需要用到8个值，分别是如下的

,前四个是第一个框的坐标，后四个是第二个框的坐标，如图1所示。

图1：矩形的坐标

2.2.一共会出现四种情况：

其中两种情况会相交两种情况不相交。我把第一种叫做(左上右下型)，第二种叫做(左下右上型)，如图2所示：

图2：两个矩形之间的4种关系

2.3：IOU计算

1：(左上右下型)以图3为例，令中间这块矩形区域叫做中心区域，左图并没有交集，中心区域和任意矩形都不想交，右图表示两个矩形有交集，因此中心区域就是两者的交集。W，H分别表示中心区域的宽和高。

就算不知道两个矩形框的相对位置的情况下，一定满足W = xmin + width1 + width2 - xmax，以图3左图为例，xmin + width1 + width2 - xmax小于0，右图中，W=xmin + width1 + width2 - xmax大于0；同样左图H=ymin + height1 + height2 - ymax小于0，右图H=ymin + height1 + height2 - ymax大于0

最下面那个图W=xmin + width1 + width2 - xmax大于0；同样左图H=ymin + height1 + height2 - ymax小于0

可以判断，当W和H都为负数，表示左边的情况，没有交集；当W和H都为负数时，表示右边的情况，有交集；当W和H有一个是正数一个是负数的时候，也是没有交集的。

在代码上表示W和H都小于0，没有交集，其他有交集。if (w<=0 and H<=0)没有交集，返回0就行了；其他情况，就返回交并比。交集就是W*H，并集就是width1*height1+width2*height2-W*H，因为重合了一部分。最后IOU是

图3：左上右下型

def IOU( box1, box2 ):

"""

:box1:[x1,y1,x2,y2]# (x1,y1)表示左上角，(x2,y2)表示右下角

:box2:[x1,y1,x2,y2]

:return: iou_ratio交并比

"""

width1 = abs(box1[2] - box1[0])

height1 = abs(box1[1] - box1[3])

width2 = abs(box2[2] - box2[0])

height2 = abs(box2[1] - box2[3])

xmax = max(box1[0],box1[2],box2[0],box2[2])

ymax = max(box1[1],box1[3],box2[1],box2[3])

xmin = min(box1[0],box1[2],box2[0],box2[2])

ymin = min(box1[1],box1[3],box2[1],box2[3])

W = xmin + width1 + width2 - xmax

H = ymin + height1 + height2 - ymax

if W <= 0 or H <= 0: # 当H和W都小于等于0的时候没有交集，其他情况有交集。

iou_ratio = 0

else: #其他情况有交集

iou_area = W * H# 交集的面积

box1_area = width1 * height1

box2_area = width2 * height2

iou_ratio = iou_area / (box1_area + box2_area - iou_area) # 并集的面积

return iou_ratio

box1 = [1,3,4,1]

box2 = [2,4,5,2]

box3 = [1,1,3,3]

box4 = [3,3,5,5]

print("第一个IOU为：",IOU(box1,box2))

print("第二个IOU为：",IOU(box3,box4))

# 第一个IOU为：0.2

# 第二个IOU为：0

'''

代码参考了github上的。

如果给出的box是[xCenter,yCenter,Width,Height],中心点坐标和宽高，可以通过以下函数，转换成左上右下的坐标

'''

def exchange(box1):

x,y = box1[0],box1[1]

w,h = box1[2],box1[3]

box2 = []

box2.append(int(x-0.5*w))

box2.append(int(y-0.5*h))

box2.append(int(x+0.5*w))

box2.append(int(y+0.5*h))

return box2

1：(左下右上型)以图4为例。

我们发现，不管如何变化都会存在中心区域，而且同样满足：

W = xmin + width1 + width2 - xmax，H=ymin + height1 + height2 - ymax。也同样满足当W和H都小于0的时候，没有交集，其他情况有交集。因此，上面代码同样适合这种情况。

图4：左下右上型