import?argparse
import?os
import?matplotlib.pyplot?as?plt
from?matplotlib.pyplot?import?imshow
import?scipy.io
import?scipy.misc
import?numpy?as?np
import?pandas?as?pd
import?PIL
import?tensorflow?as?tf
from?keras?import?backend?as?K
from?keras.layers?import?Input?Lambda?Conv2D
from?keras.models?import?load_model?Model
import?cv2

from?yad2k.models.keras_yolo?import?yolo_head?yolo_boxes_to_corners?preprocess_true_boxes?yolo_loss?yolo_body

import?yolo_utils

#?%matplotlib?inline
def?yolo_filter_boxes（box_confidence??boxes?box_class_probs?threshold?=?0.6）:
????“““
????通過閾值來過濾對象和分類的置信度。

????參數：
????????box_confidence??-?tensor類型，維度為（191951）包含19x19單元格中每個單元格預測的5個錨框中的所有的錨框的pc?（一些對象的置信概率）。
????????boxes?-?tensor類型，維度為（191954），包含了所有的錨框的（pxpyphpw?）。
????????box_class_probs?-?tensor類型，維度為（1919580），包含了所有單元格中所有錨框的所有對象（?c1c2c3，···，c80?）檢測的概率。
????????threshold?-?實數，閾值，如果分類預測的概率高于它，那么這個分類預測的概率就會被保留。

????返回：
????????scores?-?tensor?類型，維度為（None），包含了保留了的錨框的分類概率。
????????boxes?-?tensor?類型，維度為（None4），包含了保留了的錨框的（b_x?b_y?b_h?b_w）
????????classess?-?tensor?類型，維度為（None），包含了保留了的錨框的索引

????注意：“None“是因為你不知道所選框的確切數量，因為它取決于閾值。
??????????比如：如果有10個錨框，scores的實際輸出大小將是（10）
????“““

????#第一步：計算錨框的得分
????box_scores??=?box_confidence?*?box_class_probs

????#第二步：找到最大值的錨框的索引以及對應的最大值的錨框的分數
????box_classes?=?K.argmax（box_scores?axis=-1）
????box_class_scores?=?K.max（box_scores?axis=-1）

????#第三步：根據閾值創建掩碼
????filtering_mask?=?（box_class_scores?>=?threshold）

????#對scores?boxes?以及?classes使用掩碼
????scores?=?tf.boolean_mask（box_class_scoresfiltering_mask）
????boxes?=?tf.boolean_mask（boxesfiltering_mask）
????classes?=?tf.boolean_mask（box_classesfiltering_mask）

????return?scores??boxes??classes

#?with?tf.Session（）?as?test_a:
#?????box_confidence?=?tf.random_normal（[191951]?mean=1?stddev=4?seed=1）
#?????boxes?=?tf.random_normal（[191954]??mean=1?stddev=4?seed=1）
#?????box_class_probs?=?tf.random_normal（[19?19?5?80]?mean=1?stddev=4?seed?=?1）
#?????scores?boxes?classes?=?yolo_filter_boxes（box_confidence?boxes?box_class_probs?threshold?=?0.5）
#
#?????print（“scores[2]?=?“?+?str（scores[2].eval（）））
#?????print（“boxes[2]?=?“?+?str（boxes[2].eval（）））
#?????print（“classes[2]?=?“?+?str（classes[2].eval（）））
#?????print（“scores.shape?=?“?+?str（scores.shape））
#?????print（“boxes.shape?=?“?+?str（boxes.shape））
#?????print（“classes.shape?=?“?+?str（classes.shape））
#
#?????test_a.close（）

def?iou（box1?box2）:
????“““
????實現兩個錨框的交并比的計算

????參數：
????????box1?-?第一個錨框，元組類型，（x1?y1?x2?y2）
????????box2?-?第二個錨框，元組類型，（x1?y1?x2?y2）

????返回：
????????iou?-?實數，交并比。
????“““
????#計算相交的區域的面積
????xi1?=?np.maximum（box1[0]?box2[0]）
????yi1?=?np.maximum（box1[1]?box2[1]）
????xi2?=?np.minimum（box1[2]?box2[2]）
????yi2?=?np.minimum（box1[3]?box2[3]）
????inter_area?=?（xi1-xi2）*（yi1-yi2）

????#計算并集，公式為：Union（AB）?=?A?+?B?-?Inter（AB）
????box1_area?=?（box1[2]-box1[0]）*（box1[3]-b