如何匹配Python中两个列表中最近的数组？

Question

我在2400x3000 图像上检测到一些对象。每个图像的大小都相同。但每张图像都略有不同（可能有点旋转、倾斜等）。因此，我想使用第一张图像检测到的边界框坐标作为其他图像的参考。

所以我想找到检测到的边界框坐标数组之间的最佳匹配。这是一个例子：

[187.0, 489.0, 1501.0, 575.0]
[1810.0, 1967.0, 1917.0, 2052.0]
[1360.0, 2187.0, 1467.0, 2275.0]
[1256.0, 2188.0, 1361.0, 2276.0]
[506.0, 2197.0, 615.0, 2284.0]
[199.0, 2288.0, 306.0, 2372.0]

这是第一份坐标报告。另一个是：

[200.0, 490.0, 1491.0, 588.0]
[1813.0, 1966.0, 1919.0, 2053.0]
[1370.0, 2188.0, 1473.0, 2276.0]
[1265.0, 2189.0, 1365.0, 2275.0]
[520.0, 2200.0, 629.0, 2288.0]
[222.0, 2291.0, 327.0, 2376.0]

如您所知，这已经匹配。第一个报告中的每一行都对应于第二个。

但我想自动完成。我希望 Python 找到最近的数组并匹配它们。

我查看了数组比较、列表比较等算法，但我觉得我的情况有所不同，因为它们不是随机数而是坐标。

有人知道如何做到这一点吗？

例如：

[200.0, 490.0, 1491.0, 588.0]

应该匹配：

[187.0, 489.0, 1501.0, 575.0]

或 这个数组：

[1813.0, 1966.0, 1919.0, 2053.0]

应该匹配：

[1810.0, 1967.0, 1917.0, 2052.0]

提前致谢。

编辑：更具体地说，我需要根据匹配对两个列表进行排序。

TL;DR SOLUTION：请看詹姆斯的回答，它就像一个魅力！

Answer 1

请更改以下函数中的变量closest_percentage 以定义接近度

我在这里发送最接近的百分比默认为 10，这意味着元素应该接近 10% 的边距

def最接近数组（lst1,lst2,closest_percentage=5.0）：

if(len(lst1)!=len(lst2)):

    return False;

else:

    counter=1

    for i in range(len(lst1)):

        if (((abs(lst1[i])-abs(lst2[i]))/(abs(lst1[i]))*100) > closest_percentage):

            return False;

        
return True;

如果所有元素都小于或等于最接近的百分比（默认为 5%），则返回 True

Answer 2

您可以使用设置为 1 的邻居数的 k 最近邻居。您的第一组边界框中的每个示例都将对应其自己的类。拟合模型后，您可以预测哪些边界框最接近第一组。

from sklearn.neighbors import KNeighborsClassifier
import numpy as np

d1 = np.array(
  [[187.0, 489.0, 1501.0, 575.0],
  [1810.0, 1967.0, 1917.0, 2052.0],
  [1360.0, 2187.0, 1467.0, 2275.0],
  [1256.0, 2188.0, 1361.0, 2276.0],
  [506.0, 2197.0, 615.0, 2284.0],
  [199.0, 2288.0, 306.0, 2372.0]]
)

d2 = np.array(
  [[200.0, 490.0, 1491.0, 588.0],
  [1813.0, 1966.0, 1919.0, 2053.0],
  [1370.0, 2188.0, 1473.0, 2276.0],
  [1265.0, 2189.0, 1365.0, 2275.0],
  [520.0, 2200.0, 629.0, 2288.0],
  [222.0, 2291.0, 327.0, 2376.0]]
)

classes = np.arange(len(d1))

knn = KNeighborsClassifier(n_neighbors=1)
knn.fit(d1, y=classes)
knn.predict(d1)
# returns:
array([0, 1, 2, 3, 4, 5])

如您所述，这已经与第一组边界框的顺序相匹配。但是，如果我们查看一组更随机的数据：

d3 = np.array([[ 524.0, 2182.0,  632.0, 2294.0],
  [1368.0, 2173.0, 1471.0, 2287.0],
  [ 182.0,  474.0, 1473.0,  605.0],
  [1797.0, 1975.0, 1930.0, 2055.0],
  [1281.0, 2202.0, 1356.0, 2263.0],
  [ 227.0, 2295.0,  339.0, 2394.0]]
)

matches = knn.predict(d3)
matches
# returns:
array([4, 2, 0, 1, 3, 5])

要实际使用最接近的匹配，我们可以使用 argsort 重新排序 d3 数组，使其与 d1 的类对齐。我们在预测的类matches 上使用 argsort 来获取对类进行排序的索引数组。然后使用索引数组正确排序d3 以匹配d1

d3_sorted = d3[np.argsort(matches)]

d3_sorted
# returns:
array([[ 182.,  474., 1473.,  605.],
       [1797., 1975., 1930., 2055.],
       [1368., 2173., 1471., 2287.],
       [1281., 2202., 1356., 2263.],
       [ 524., 2182.,  632., 2294.],
       [ 227., 2295.,  339., 2394.]])