知道cv::rect 求非极大值抑制

非极大值抑制（Non-Maximum Suppression）是一种在计算机视觉中常用的技术，用于减少物体检测算法中的重叠框。在使用OpenCV库时，可以使用cv::rect代表矩形框。

要实现非极大值抑制，需要以下几个步骤：

1. 读取所有的矩形框，并根据其对应的置信度进行排序，从置信度高的到低的。

2. 选择置信度最高的矩形框，并将其添加到最终的输出列表中。

3. 遍历剩余的矩形框，与已选择的矩形框进行比较，如果存在重叠部分大于一定阈值的情况，则将该矩形框从候选列表中删除。

4. 重复步骤3，直到遍历完所有的矩形框。

5. 最终，输出的列表中将只包含没有被抑制的矩形框。

在实现非极大值抑制时，可以使用cv::rect的成员函数来方便地获取矩形框的坐标和尺寸等信息，并使用OpenCV提供的函数来计算两个矩形框之间的重叠部分。

需要注意的是，在具体实现时需要根据具体的算法细节来进行调整，比如选择合适的置信度阈值和重叠部分的阈值。这些参数的选择将会影响最终的非极大值抑制效果。

通过以上步骤，您就可以使用cv::rect和OpenCV库来实现非极大值抑制，从而减少物体检测算法中的重叠框，得到更准确的检测结果。

相关问题

cv::dnn::NMSBoxes 的非dnn版本

cv::dnn::NMSBoxes是OpenCV中深度学习模块（dnn）中提供的一种非极大值抑制（NMS）的函数，用于去除检测结果中的重复框。如果不使用OpenCV的深度学习模块，可以通过以下代码实现非dnn版本的NMSBoxes函数：

void NMSBoxes(const std::vector<cv::Rect>& boxes, const std::vector<float>& scores, float score_threshold, float nms_threshold, std::vector<int>& indices) {
    // 将boxes和scores打包成一个结构体数组
    struct BoxWithScore {
        cv::Rect box;
        float score;
    };
    std::vector<BoxWithScore> boxes_with_scores;
    for (int i = 0; i < boxes.size(); i++) {
        boxes_with_scores.push_back({ boxes[i], scores[i] });
    }

    // 按照得分从高到低排序
    std::sort(boxes_with_scores.begin(), boxes_with_scores.end(), [](const BoxWithScore& a, const BoxWithScore& b) {
        return a.score > b.score;
    });

    // 执行NMS
    indices.clear();
    for (int i = 0; i < boxes_with_scores.size(); i++) {
        if (boxes_with_scores[i].score < score_threshold) {
            break;
        }
        bool keep = true;
        for (int j = 0; j < indices.size(); j++) {
            if (keep) {
                int overlap_area = (boxes_with_scores[i].box & boxes_with_scores[indices[j]].box).area();
                int union_area = boxes_with_scores[i].box.area() + boxes_with_scores[indices[j]].box.area() - overlap_area;
                keep = overlap_area * 1.0 / union_area <= nms_threshold;
            }
            else {
                break;
            }
        }
        if (keep) {
            indices.push_back(i);
        }
    }
}

以上代码仅供参考，实际的实现可能会有所不同，具体实现方式可能因模型和框架而异。

std::vector<int> nms_result; cv::dnn::NMSBoxes(boxes, confidences, CONF_THRESHOLD, NMS_THRESHOLD, nms_result); std::vector<cv::Mat> temp_mask_proposals; std::vector<OutputSeg> output; Rect holeImgRect(0, 0, src.cols, src.rows); for (int i = 0; i < nms_result.size(); ++i) { int idx = nms_result[i]; OutputSeg result; result.id = classIds[idx]; result.confidence = confidences[idx]; result.box = boxes[idx]& holeImgRect; output.push_back(result); temp_mask_proposals.push_back(picked_proposals[idx]); }什么意思

这段代码是一个目标检测算法的一部分，它使用非极大值抑制（NMS）来筛选出具有高置信度的目标框。首先，它调用了cv::dnn::NMSBoxes函数，该函数会根据指定的阈值将置信度低于阈值的目标框过滤掉，并将保留的目标框的索引存储在nms_result向量中。

然后，通过遍历nms_result向量，获取每个保留目标框的索引。接下来，创建一个OutputSeg结构体变量result，将目标类别id、置信度和经过修剪的目标框赋值给result。然后，将result添加到output向量中，并将对应的临时掩码提案添加到temp_mask_proposals向量中。

最后，将经过筛选后的结果存储在output向量中，并将对应的临时掩码提案存储在temp_mask_proposals向量中。整个过程旨在选择具有高置信度的目标框，并将与之相关的信息存储到output和temp_mask_proposals中以供后续使用。