C# OpenCV机器视觉:SoftNMS非极大值抑制

嘿，你知道吗？阿强最近可忙啦！他正在处理一个超级棘手的问题呢，就好像在一个混乱的战场里，到处都是乱糟糟的候选框，这些候选框就像一群调皮的小精灵，有的重叠在一起，让阿强头疼不已。他的任务就是把这些重叠的候选框整理清楚，只留下最优秀的那些，让它们规规矩矩地排好队，为他的图像识别任务服务。

阿强听说了两种神奇的魔法 —— 非极大值抑制（NMS）和软非极大值抑制（SoftNMS），它们可以帮助他解决这个难题。这就像两个神奇的指挥官，能指挥这些候选框小精灵们听从命令，变得井然有序。

一、混乱的候选框战场

想象一下，阿强的图像里有好多候选框，每个候选框都觉得自己是最重要的，都想站在最前面，结果就是它们挤在一起，你压着我，我压着你，就像一堆挤在一起的小方块，乱成了一锅粥。这可不行啊，阿强需要从中挑选出最出色的候选框，不能让它们这样乱哄哄的。

阿强决定使用 OpenCvSharp 来施展魔法，他知道，这两种抑制方法就像两把神奇的扫帚，能把这些混乱的候选框清理干净呢让我们来看看它们是怎么工作的吧。

二、非极大值抑制（NMS）：严格的指挥官

首先登场的是 NMS，这个方法就像一个严格的指挥官，它的原则很简单：只留下最厉害的，把其他重叠的都赶走。

class NMS
{// 定义一个类来存储得分和索引  public class ScoreIndex{public float Score { get; set; }public int Index { get; set; }public ScoreIndex(float score, int index){Score = score;Index = index;}}static List<int> NmsBoxes(List<Rect> boxes, float[] scores, float iouThreshold){List<int> selectedIndices = new List<int>();int n = boxes.Count;// 将得分和索引组合在一起  List<ScoreIndex> indexedScores = new List<ScoreIndex>();for (int i = 0; i < n; i++){indexedScores.Add(new ScoreIndex(scores[i], i));}// 按得分降序排序  indexedScores.Sort((a, b) => b.Score.CompareTo(a.Score));bool[] selected = new bool[n];for (int i = 0; i < n; i++){int currentIndex = indexedScores[i].Index;if (selected[currentIndex]) continue;selectedIndices.Add(currentIndex);selected[currentIndex] = true;for (int j = i + 1; j < n; j++){int compareIndex = indexedScores[j].Index;if (selected[compareIndex]) continue;float iou = ComputeIoU(boxes[currentIndex], boxes[compareIndex]);if (iou > iouThreshold){selected[compareIndex] = true; // 抑制重叠框  }}}return selectedIndices;}static float ComputeIoU(Rect boxA, Rect boxB){// 计算交集  int x1 = Math.Max(boxA.X, boxB.X);int y1 = Math.Max(boxA.Y, boxB.Y);int x2 = Math.Min(boxA.X + boxA.Width, boxB.X + boxB.Width);int y2 = Math.Min(boxA.Y + boxA.Height, boxB.Y + boxB.Height);int interWidth = Math.Max(0, x2 - x1);int interHeight = Math.Max(0, y2 - y1);float interArea = interWidth * interHeight;// 计算并集  float boxAArea = boxA.Width * boxA.Height;float boxBArea = boxB.Width * boxB.Height;float unionArea = boxAArea + boxBArea - interArea;return interArea / unionArea;}
}

代码解析：

整理候选框和得分：首先，NMS 会把每个候选框的得分和索引组合在一起，就像给每个候选框小精灵贴上一个带有分数的名牌。然后，按照得分的高低给它们排好队，分数高的排在前面，这样最优秀的候选框就站在了最前面啦。接着，创建一个 selected 数组，用来标记哪些候选框已经被选中，哪些要被淘汰。
挑选最优候选框：从得分最高的候选框开始，把它标记为选中，放入 selectedIndices 列表中。然后，检查其他候选框，如果它们和这个选中的候选框重叠度（通过 ComputeIoU 计算）超过了 iouThreshold，就把它们标记为淘汰，就像指挥官说：“你和最优秀的重叠太多啦，你被淘汰啦！”ComputeIoU 函数会计算两个候选框的交并比（IoU），它是判断两个候选框重叠程度的重要指标哦。先找到两个框重叠部分的面积，再算出它们的并集面积，用重叠面积除以并集面积就得到了 IoU 值啦。如果 IoU 值大，说明它们重叠得多，需要处理一下。

三、软非极大值抑制（SoftNMS）：温柔的协调者

接下来是 SoftNMS，它可不像 NMS 那么严格啦，它就像一个温柔的协调者，不会直接把重叠的候选框淘汰，而是会给它们一个机会，让它们的分数慢慢降低，变得不那么 “骄傲”。

class NMS
{// Soft-NMS 部分  static void SoftNMSRun(){// 示例候选框（x1, y1, x2, y2）  List<Rect> boxes = new List<Rect>{new Rect(50, 50, 50, 50),   // 框1  new Rect(55, 55, 50, 50),   // 框2（与框1重叠）  new Rect(200, 200, 50, 50)   // 框3（不重叠）  };// 示例得分  float[] scores = new float[] { 0.9f, 0.95f, 0.8f };// Soft-NMS 实现  List<int> selectedIndices = SoftNMS(boxes, scores, 0.5f, 0.3f);// 输出结果  Console.WriteLine("Selected boxes:");foreach (var index in selectedIndices){Console.WriteLine($"Box {index}: {boxes[index]}");}}static List<int> SoftNMS(List<Rect> boxes, float[] scores, float iouThreshold, float scoreThreshold){List<int> selectedIndices = new List<int>();int n = boxes.Count;// 将得分转换为 List  List<float> scoreList = new List<float>(scores);for (int i = 0; i < n; i++){if (scoreList[i] > scoreThreshold){selectedIndices.Add(i);for (int j = i + 1; j < n; j++){float iou = ComputeIoU(boxes[i], boxes[j]);if (iou > iouThreshold){// 根据 IoU 衰减得分  scoreList[j] *= (float)Math.Exp(-(iou * iou) / 0.5);}}}}return selectedIndices;}static float ComputeIoU(Rect boxA, Rect boxB){// 计算交集  int x1 = Math.Max(boxA.X, boxB.X);int y1 = Math.Max(boxA.Y, boxB.Y);int x2 = Math.Min(boxA.X + boxA.Width, boxB.X + boxB.Width);int y2 = Math.Min(boxA.Y + boxA.Height, boxB.Y + boxB.Height);int interWidth = Math.Max(0, x2 - x1);int interHeight = Math.Max(0, y2 - y1);float interArea = interWidth * interHeight;// 计算并集  float boxAArea = boxA.Width * boxA.Height;float boxBArea = boxB.Width * boxB.Height;float unionArea = boxAArea + boxB.Area() - interArea;return interArea / unionArea;}
}

代码解析：

准备工作：SoftNMS 也会使用 ComputeIoU 计算候选框之间的重叠度。它把得分存储在 scoreList 中，准备开始调整这些得分。
温柔的调整：对于每个候选框，如果它的得分超过 scoreThreshold，就先把它加入 selectedIndices 列表。然后，检查其他候选框，如果它们和这个候选框重叠度超过 iouThreshold，不会直接淘汰它们，而是根据重叠程度 iou 来降低它们的得分哦，使用 scoreList[j] *= (float)Math.Exp(-(iou * iou) / 0.5) 这个神奇的公式，就像给它们的分数打个折扣，让它们变得不那么突出啦。

四、实战对比：NMS 和 SoftNMS 的 “战斗”

阿强开始测试啦，他准备了一些候选框，让 NMS 和 SoftNMS 分别施展魔法。

当 NMS 上场时，它会非常严格地挑选候选框，一旦发现重叠的，就毫不留情地淘汰。结果呢，留下来的候选框都是最优秀的，但是有些原本也不错的候选框可能就被彻底淘汰啦，就像一场残酷的淘汰赛。

而 SoftNMS 呢，它会让那些重叠的候选框分数降低，这样它们还有机会哦，也许经过一轮调整，有些候选框虽然分数低了点，但还是能留下来呢。这就像是一场温柔的选拔，给每个候选框一个表现的机会，只是分数会根据它们的表现有所调整。

五、实战检验：谁更厉害？

阿强把两种方法都用在自己的图像识别任务上，发现它们各有千秋哦！

NMS：优点：处理速度快，能迅速选出最突出的候选框，非常适合那些需要快速得出结果，对准确性要求不是特别高的场景。就像短跑比赛，只选最快的选手，其他选手都被淘汰啦。缺点：可能会过于严格，有些稍微差一点的候选框可能也被误淘汰啦，可能会丢失一些有用的信息哦。
SoftNMS：优点：更灵活，能保留更多的信息，不会一下子把有重叠的候选框都淘汰，对于一些复杂的图像，能给出更丰富的结果，就像一场综合考核，给每个选手打分，根据表现调整分数，不会轻易放弃任何一个。缺点：计算量会大一点，因为要计算得分的衰减，就像多了一些额外的考核项目，速度会慢一些。

阿强根据不同的任务，开始灵活使用这两种方法啦。有时候他需要快速筛选，就用 NMS；有时候需要更细致的结果，就用 SoftNMS。

“哈哈，有了这两个神奇的方法，我再也不怕候选框小精灵们捣乱啦！” 阿强高兴地说。

从那以后，阿强在图像处理的世界里更加得心应手，他的图像识别任务变得越来越出色，大家都对他刮目相看呢。而 NMS 和 SoftNMS 这两个魔法，也成了他手中的秘密武器，帮助他在图像处理的战场上屡战屡胜哦你是不是也觉得它们很神奇呀？快来和阿强一起，用它们解决你的图像处理难题吧