Python带阈值重叠矩形合并实现（适配cv2.findContours输出）

OpenCV内置的可直接复用函数 #

• OpenCV没有提供完全贴合所有自定义阈值场景的「重叠矩形合并」端到端函数，但提供了两个高度适配需求的核心工具：
  • cv2.groupRectangles()：专门针对检测输出的矩形框做同组合并的内置函数，支持自定义重叠判定阈值、组内最小矩形数量参数，输入格式为(x, y, w, h)的矩形列表，直接输出合并后的外接矩形。
  • cv2.dnn.NMSBoxes()：官方实现的标准非极大值抑制接口，支持自定义IoU阈值、置信度阈值，可直接完成冗余矩形的过滤，无需手写NMS核心逻辑。

可合并重叠矩形簇的判定逻辑 #

矩形聚类的核心是建立可自定义的关联判定规则，将存在关联关系的矩形划入同一簇，常用的自定义判定维度包括：

• 硬重叠判定：两个矩形的交并比（IoU）大于自定义阈值，即判定为存在重叠关联
• 软重叠判定：两个矩形的中心点距离小于自定义阈值，或矩形边界的最小间隙小于自定义阈值，即判定为可合并的同一簇，这类规则更适配cv2.findContours()导出的、轮廓分离但位置邻近的矩形场景
• 聚类实现通用方案：使用并查集（Union-Find）数据结构遍历所有矩形对，对满足关联规则的矩形对做集合合并，最终得到所有互不连通的矩形簇，无需预先知道矩形的重叠位置。

自定义阈值下的完整实现流程 #

• 格式统一化：遍历cv2.findContours()输出的所有轮廓，通过cv2.boundingRect()将每个轮廓转换为标准的(x, y, w, h)格式矩形，统一存入列表
• 关联规则封装：编写自定义的矩形关联判定函数，根据场景设置对应的重叠阈值，判断任意两个矩形是否满足划入同一簇的条件
• 簇划分：初始化与矩形列表长度匹配的并查集结构，遍历所有矩形对，满足关联规则的两个矩形对应集合做合并
• 合并计算：对每个划分完成的矩形簇，取簇内所有矩形的最小x坐标、最小y坐标、最大x+w坐标、最大y+h坐标，计算得到簇的最小外接矩形，即为合并结果
• 冗余过滤：将合并后的矩形列表传入cv2.dnn.NMSBoxes()，通过设置自定义IoU阈值，过滤合并后仍然存在高度重叠的冗余框，实现类NMS的输出效果

注意：cv2.groupRectangles()的内置重叠判定逻辑是固定的，当需要使用非标准IoU的自定义重叠阈值（比如邻近边界判定、中心点距离判定）时，需采用上述自实现的簇划分逻辑，无法直接通过内置函数完成适配。

内容的提问来源于stack exchange，提问作者Vishal T