NMS（非极大值抑制）阈值是用于控制在一组重叠的边界框中保留哪些边界框的参数。当检测或识别算法生成多个边界框可能涵盖相同物体时，NMS用于筛选出最相关的边界框，通常是根据它们的置信度分数。
具体来说，NMS的工作原理如下：
1.首先，算法对图像中的目标进行检测，并为每个检测到的目标生成一个边界框。每个边界框都伴随一个与目标相关的置信度分数。
2.接下来，NMS算法将所有边界框按照它们的置信度分数进行排序，通常按照分数降序排列。
3.然后，NMS算法从分数最高的边界框开始，将该边界框添加到最终保留的边界框列表中。
4.对于剩余的边界框，NMS会计算它们与当前保留的边界框的IoU（交并比）。如果IoU大于NMS阈值，这些边界框将被抑制（丢弃），只保留一个。
5.重复步骤3和4，直到遍历所有边界框。
python
import numpy as np
import numpy as np
def compute_iou(boxA,boxB):
# 计算相交区域的坐标
xA=max(boxA[0],boxB[0])
yA=max(boxA[1],boxB[1])
xB=min(boxA[2],boxB[2])
yB=min(boxA[3],boxB[3])
# 计算相交区域，如果是负数一定是不相交
interArea = max(0,xB-xA)*max(0,yB-yA)
# 计算A和B的面积
boxAArea=(boxA[3]-boxA[1])*(boxA[2]-boxA[0])
boxBArea=(boxB[3]-boxB[1])*(boxB[2]-boxB[0])
# 计算iou
iou=interArea/(boxAArea+boxBArea-interArea)
return iou
def nms(boxes, scores, threshold):
# boxes: 边界框列表，每个框是一个格式为 [x1, y1, x2, y2] 的列表
# scores: 每个边界框的得分列表
# threshold: NMS的IoU阈值
# 按得分升序排列边界框
sorted_indices = np.argsort(scores)
boxes = [boxes[i] for i in sorted_indices]
scores = [scores[i] for i in sorted_indices]
keep = [] # 保留的边界框的索引列表
while boxes:
# 取得分最高的边界框
current_box = boxes.pop()
current_score = scores.pop()
keep.append(sorted_indices[-1])
sorted_indices = sorted_indices[:-1]
discard_indices = [] # 需要丢弃的边界框的索引列表
for i, box in enumerate(boxes):
# 计算与当前边界框的IoU
iou = compute_iou(current_box, box)
# 如果IoU超过阈值，标记该边界框为需要丢弃
if iou > threshold:
discard_indices.append(i)
# 移除标记为需要丢弃的边界框。从后往前删，不然for循环会出错
for i in sorted(discard_indices, reverse=True):
boxes.pop(i)
scores.pop(i)
sorted_indices = np.delete(sorted_indices, i) # np与list的方法不同
return keep
# test
# 模拟一组边界框和得分
boxes = [[1, 1, 3, 3], [2, 2, 4, 4], [4, 4, 6, 6], [5, 5, 7, 7], [10, 10, 12, 12]]
scores = [0.9, 0.8, 0.7, 0.75, 0.6]
# 设置NMS阈值
nms_threshold = 0.9
# 调用nms函数进行非极大值抑制
keep_indices = nms(boxes, scores, nms_threshold)
# 打印保留下来的边界框的索引
print("保留的边界框索引：", keep_indices)
# 打印保留下来的边界框的坐标和得分
print("保留的边界框坐标和得分：")
for idx in keep_indices:
print("边界框坐标：", boxes[idx])
print("得分：", scores[idx])