Python高效计算两组矩形IoU：基于NumPy广播机制

巷口听风

发布时间：2026-10-13| 5人浏览过

原创

本文介绍在Python中利用NumPy广播机制，无需使用低效的for循环即可高效计算两组或多组矩形框之间的交并比（IoU）。通过向量化操作处理坐标数组，可显著提升大规模数据下的计算速度，并支持设定阈值筛选满足条件的索引。

高效计算矩形IoU的目标

核心目标：实现不使用for循环，高效计算两组或多组矩形框两两之间的交并比（IoU）。

在Python编程中，for循环处理大量数据时往往耗时较长。采用NumPy的广播（Broadcasting）思想进行向量化运算，可以大幅提速，避免显式循环带来的性能瓶颈。

NumPy广播实现代码

具体实现代码如下：


def calc_iou(bbox1, bbox2):
 if not isinstance(bbox1, np.ndarray):
  bbox1 = np.array(bbox1)
 if not isinstance(bbox2, np.ndarray):
  bbox2 = np.array(bbox2)
 xmin1, ymin1, xmax1, ymax1, = np.split(bbox1, 4, axis=-1)
 xmin2, ymin2, xmax2, ymax2, = np.split(bbox2, 4, axis=-1)
 
 area1 = (xmax1 - xmin1) * (ymax1 - ymin1)
 area2 = (xmax2 - xmin2) * (ymax2 - ymin2)
 
 ymin = np.maximum(ymin1, np.squeeze(ymin2, axis=-1))
 xmin = np.maximum(xmin1, np.squeeze(xmin2, axis=-1))
 ymax = np.minimum(ymax1, np.squeeze(ymax2, axis=-1))
 xmax = np.minimum(xmax1, np.squeeze(xmax2, axis=-1))
 
 h = np.maximum(ymax - ymin, 0)
 w = np.maximum(xmax - xmin, 0)
 intersect = h * w
 
 union = area1 + np.squeeze(area2, axis=-1) - intersect
 return intersect / union

输入输出格式与阈值筛选

程序接收格式为[xmin, ymin, xmax, ymax]的多个矩形框数组或列表作为输入，返回NumPy格式的矩阵。例如，若输入形状分别为（3, 4）和（5, 4），则输出形状为（3, 5）的矩阵，其中每个位置的值代表对应两个矩形框的IoU。随后可设定IoU阈值，提取满足条件的索引对。


def delete_bbox(bbox1, bbox2, roi_bbox1, roi_bbox2, class1, class2, idx1, idx2, iou_value):
 idx = np.where(iou_value > 0.4)
 left_idx = idx[0]
 right_idx = idx[1]
 left = roi_bbox1[left_idx]
 right = roi_bbox2[right_idx]
 xmin1, ymin1, xmax1, ymax1, = np.split(left, 4, axis=-1)
 xmin2, ymin2, xmax2, ymax2, = np.split(right, 4, axis=-1)
 left_area = (xmax1 - xmin1) * (ymax1 - ymin1)
 right_area = (xmax2 - xmin2) * (ymax2 - ymin2)
 left_idx = left_idx[np.squeeze(left_area < right_area, axis=-1)]#小的被删
 right_idx = right_idx[np.squeeze(left_area > right_area, axis=-1)]
 
 bbox1 = np.delete(bbox1, idx1[left_idx], 0)
 class1 = np.delete(class1, idx1[left_idx])
 bbox2 = np.delete(bbox2, idx2[right_idx], 0)
 class2 = np.delete(class2, idx2[right_idx])
 
 return bbox1, bbox2, class1, class2

IoU计算原理与重叠判断

IoU计算的核心原理如下：


ymin = np.maximum(ymin1, np.squeeze(ymin2, axis=-1))

xmin = np.maximum(xmin1, np.squeeze(xmin2, axis=-1))

ymax = np.minimum(ymax1, np.squeeze(ymax2, axis=-1))

xmax = np.minimum(xmax1, np.squeeze(xmax2, axis=-1))

h = np.maximum(ymax - ymin, 0)

w = np.maximum(xmax - xmin, 0)

intersect = h * w

首先计算两个矩形框在x和y轴方向上重叠区域的最小值（xmin, ymin）和最大值（xmax, ymax）。若计算出的高度（ymax - ymin）或宽度（xmax - xmin）大于0，则说明存在重叠区域（如左图所示）；若小于或等于0，则无重叠（如右图所示）。

以上即为利用Python和NumPy广播机制高效计算两组矩形IoU的完整方案，供读者参考与实践。