更新：我之前误解了问题。我们不想删除完全包含在其他矩形内部的矩形。我们只想替换相交的矩形。因此，对于第一种情况，我们什么也不用做。
新的API（2.4.9）支持&和|操作符。
来自OpenCV文档：
它还支持等式比较（==）
所以现在很容易完成任务。对于每对矩形rect1和rect2，
if((rect1 & rect2) == rect1) ... // rect1 is completely inside rect2; do nothing.
else if((rect1 & rect2).area() > 0) // they intersect; merge them.
newrect = rect1 | rect2;
... // remove rect1 and rect2 from list and insert newrect.
更新2:（用于Java翻译）
我对Java知之甚少。我也从未使用过Java API。这里提供一些伪代码（我认为很容易进行翻译）
对于&运算符，我们需要一个可以找到两个矩形的交集的方法。
Method: Intersect (Rect A, Rect B)
left = max(A.x, B.x)
top = max(A.y, B.y)
right = min(A.x + A.width, B.x + B.width)
bottom = min(A.y + A.height, B.y + B.height)
if(left <= right && top <= bottom) return Rect(left, top, right - left, bottom - top)
else return Rect()
对于|运算符，我们需要一个类似的方法
Method: Merge (Rect A, Rect B)
left = min(A.x, B.x)
top = min(A.y, B.y)
right = max(A.x + A.width, B.x + B.width)
bottom = max(A.y + A.height, B.y + B.height)
return Rect(left, top, right - left, bottom - top)
对于==运算符，我们可以使用重载的equals方法。
findContours。关键点是理解当mode设置为CV_RETR_TREE时它是如何工作的。在这种情况下，hierarchy被构造成每个偶数深度级别包含外部轮廓，而奇数深度级别包含内部轮廓。我们需要做的是遍历层次结构树，并打印与偶数深度级别相关联的轮廓。
首先，我们找到名为original的图像的轮廓。
typedef std::vector<std::vector<cv::Point> > Contours;
typedef std::vector<cv::Vec4i> Hierarchy;
Contours contours;
Hierarchy hierarchy;
cv::findContours(original, contours, hierarchy, CV_RETR_TREE, CV_CHAIN_APPROX_NONE);
processed的图像上打印外轮廓，我们需要一个递归函数。void printExternalContours(cv::Mat img, Contours const& contours, Hierarchy const& hierarchy, int const idx)
{
//for every contour of the same hierarchy level
for(int i = idx; i >= 0; i = hierarchy[i][0])
{
//print it
cv::drawContours(img, contours, i, cv::Scalar(255));
//for every of its internal contours
for(int j = hierarchy[i][2]; j >= 0; j = hierarchy[j][0])
{
//recursively print the external contours of its children
printExternalContours(img, contours, hierarchy, hierarchy[j][2]);
}
}
}
printExternalContours(processed, contours, hierarchy, 0);
下方显示结果，其中original和processed并排展示。
如果您需要绝对的矩形形状，只需使用boundingRect获取给定点集（在此情况下是每个轮廓）的最小包围矩形，并使用rectangle进行绘制。换句话说，将
cv::drawContours(img, contours, i, cv::Scalar(255));
cv::rectangle(img, cv::boundingRect(contours[i]), cv::Scalar(255));
findContours函数需要一张单通道8位图像，因此你可以从原始图像中制作灰度图像，然后对其进行阈值处理以获得完美的黑色背景，或者在你的情况下，也许使用红色通道就足够了，但请确保背景是完全黑色的。
关于findContours的复杂性，我不能证明它比O(N^2)更好，也没有在快速的谷歌搜索后找到任何相关信息，但我相信OpenCV实现了最好的已知算法。
给定两个边界框轮廓，形式为(x,y,w,h)，下面是一个函数，用于创建一个单一的边界框（假设这些框相互接触或包含）。返回合并后的边界框的(x,y,w,h)，即左上角的x、y坐标，宽度和高度。以下是说明
(x1,y1) w1 (x3,y3) w3
._____________________. .____________________________.
| | | |
| | h1 | |
| (x2,y2) | | |
| ._______________|_______. --> | |
| | | | | | h3
._____|_______________. | | |
| | h2 | |
| | | |
| w2 | | |
._______________________. .____________________________.
代码
def combineBoundingBox(box1, box2):
x = min(box1[0], box2[0])
y = min(box1[1], box2[1])
w = box2[0] + box2[2] - box1[0]
h = max(box1[1] + box1[3], box2[1] + box2[3]) - y
return (x, y, w, h)
例子
有这两个边界框:
>>> print(box1)
>>> print(box2)
(132, 85, 190, 231)
(264, 80, 121, 230)
>>> new = combineBoundingBox(box1, box2)
>>> print(new)
(132, 80, 253, 236)
-> 之后。
