Python中基于IoU高效合并12k重叠轮廓的优化需求

你有12000个带大量重叠的轮廓列表，想要跳过中间生成合并关系字典的步骤，直接基于IoU阈值完成重叠轮廓的合并，下面是高效实现方案：

核心思路 #

利用连通分量分析替代字典记录合并关系：重叠轮廓本质是连通的（A和B重叠、B和C重叠，则A/B/C属于同一组），通过IoU矩阵构建邻接图后，用连通分量直接分组，再对每组轮廓求并集完成合并。

完整代码实现 #

import numpy as np
import pygeos
from pygeos import intersection, union, area, Geometry
from shapely.geometry import Polygon
from scipy.sparse import csr_matrix
from scipy.sparse.csgraph import connected_components

# 1. 轮廓转pygeos几何对象
detection_contours = np.array([Geometry(str(Polygon(np.squeeze(val)))) for val in contours_list])

# 2. 计算IoU矩阵并构建邻接图
match_threshold = 0.5  # 根据业务需求调整IoU阈值

# 计算两两轮廓的交集/并集面积
intersection_areas = area(intersection(detection_contours[:, np.newaxis], detection_contours[np.newaxis, :]))
union_areas = area(union(detection_contours[:, np.newaxis], detection_contours[np.newaxis, :]))
iou_matrix = intersection_areas / union_areas

# 生成邻接矩阵：IoU超过阈值则标记为连通，对角线置0（排除自身）
adjacency_matrix = (iou_matrix > match_threshold).astype(int)
np.fill_diagonal(adjacency_matrix, 0)

# 3. 连通分量分析分组
graph = csr_matrix(adjacency_matrix)
n_components, labels = connected_components(csgraph=graph, directed=False, return_labels=True)

# 4. 直接合并每组轮廓
merged_contours = []
for label in range(n_components):
    # 提取当前组的所有轮廓
    group_geoms = detection_contours[labels == label]
    # 合并组内所有轮廓（迭代求并集）
    merged_geom = group_geoms[0]
    for geom in group_geoms[1:]:
        merged_geom = union(merged_geom, geom)
    # 转回原轮廓格式（适配输入的contours_list结构）
    merged_poly = merged_geom.__geo_interface__
    merged_contour = np.array(merged_poly['coordinates'][0]).reshape(-1, 1, 2)
    merged_contours.append(merged_contour)

方案优势 #

• 完全跳过了原方案中keep_to_merge_list、dest等中间字典的生成与遍历步骤，逻辑更简洁
• 连通分量分析的时间复杂度远低于原字典遍历方案，处理12000个轮廓的效率提升明显
• 直接基于几何对象的并集操作，合并结果更精准

内容的提问来源于stack exchange，提问作者Ahmad Javed