目錄

源代碼：

返回值

?我使用的groundTruth圖像：

?預(yù)測(cè)圖像

?

?基于IOU的F1是評(píng)價(jià)模型實(shí)例分割能力的一種評(píng)價(jià)指標(biāo)，該指標(biāo)在2018年的Urban 3D Challenge和2020年的阿里天池建筑智能普查競(jìng)賽中作為評(píng)價(jià)標(biāo)準(zhǔn)。
計(jì)算公式如下：

其余計(jì)算指標(biāo)：

1、IoU: ?交并比，兩個(gè)區(qū)域重疊的部分除以兩個(gè)區(qū)域的集合部分， IOU算出的值score ＞ 0.5 就可以被認(rèn)為一個(gè)不錯(cuò)的結(jié)果了

2、mIoU（mean IoU）：均交并比，識(shí)別或者分割圖像一般都有好幾個(gè)類(lèi)別，把每個(gè)分類(lèi)得出的分?jǐn)?shù)進(jìn)行平均一下就可以得到mean IoU，也就是mIoU。

3、Precision：精確率，混淆矩陣計(jì)算得出，P = TP/（TP+FP）

4、Recall：召回率，R = TP/（TP+FN）

5、Accuracy：準(zhǔn)確率，accuracy = （TP+TN）/（TP+TN+FP+FN）

? ? ?即PA（Pixel Accuracy，像素精度？標(biāo)記正確的像素占總像素的比例）：表示檢測(cè)物體的準(zhǔn)確度，重點(diǎn)判斷標(biāo)準(zhǔn)為是否檢測(cè)到了物體
IoU只是用于評(píng)價(jià)一幅圖的標(biāo)準(zhǔn)，如果我們要評(píng)價(jià)一套算法，并不能只從一張圖片的標(biāo)準(zhǔn)中得出結(jié)論。一般對(duì)于一個(gè)數(shù)據(jù)集、或者一個(gè)模型來(lái)說(shuō)。評(píng)價(jià)的標(biāo)準(zhǔn)通常來(lái)說(shuō)遍歷所有圖像中各種類(lèi)型、各種大小(size)還有標(biāo)準(zhǔn)中設(shè)定閾值.論文中得出的結(jié)論數(shù)據(jù)，就是從這些規(guī)則中得出的。

源代碼：

from skimage import measure
from scipy import ndimage
import cv2 as cv
import numpy as np

def get_buildings(mask, pixel_threshold):
    gt_labeled_array, gt_num = ndimage.label(mask)
    unique, counts = np.unique(gt_labeled_array, return_counts=True)
    for (k, v) in dict(zip(unique, counts)).items():
        if v < pixel_threshold:
            mask[gt_labeled_array == k] = 0
    return measure.label(mask, return_num=True)


def calculate_f1_buildings_score(y_pred_path, iou_threshold=0.40, component_size_threshold=0):
    #iou_threshold=0.40表示重合面積大于40%，判斷為T(mén)P
    tp = 0
    fp = 0
    fn = 0


    # for m in tqdm(range(len(y_pred_list))):
    processed_gt = set()
    matched = set()

    #mask_img是預(yù)測(cè)圖像
    # mask_img = cv.imread(r".\predictLabel\Halo-water.jpg", 0)
    # mask_img = cv.imread(r".\predictLabel\Halo_image.png", 0)
    mask_img = cv.imread(r".\predictLabel\RGB_image.png", 0)
    #gt_mask_img 是groundTruth圖像
    gt_mask_img = cv.imread(r".\groundtruth\GT_image.png", 0)

    predicted_labels, predicted_count = get_buildings(mask_img, component_size_threshold)
    gt_labels, gt_count = get_buildings(gt_mask_img, component_size_threshold)

    gt_buildings = [rp.coords for rp in measure.regionprops(gt_labels)]
    pred_buildings = [rp.coords for rp in measure.regionprops(predicted_labels)]
    gt_buildings = [to_point_set(b) for b in gt_buildings]
    pred_buildings = [to_point_set(b) for b in pred_buildings]
    for j in range(predicted_count):
        match_found = False
        for i in range(gt_count):
            pred_ind = j + 1
            gt_ind = i + 1
            if match_found:
                break
            if gt_ind in processed_gt:
                continue
            pred_building = pred_buildings[j]
            gt_building = gt_buildings[i]
            intersection = len(pred_building.intersection(gt_building))
            union = len(pred_building) + len(gt_building) - intersection
            iou = intersection / union
            if iou > iou_threshold:
                processed_gt.add(gt_ind)
                matched.add(pred_ind)
                match_found = True
                tp += 1
        if not match_found:
            fp += 1
    fn += gt_count - len(processed_gt)
    precision = tp / (tp + fp)
    recall = tp / (tp + fn)
    if precision == 0 or recall == 0:
        return 0
    f_score = 2 * precision * recall / (precision + recall)
    return f_score , fp ,fn , tp ,precision , recall


def to_point_set(building):
    return set([(row[0], row[1]) for row in building])

#y_pred_path 沒(méi)用到，隨便填
y_pred_path = 'predictLabel'

f_score = calculate_f1_buildings_score(y_pred_path, iou_threshold=0.5, component_size_threshold=1)

print(f_score)

返回值

?我使用的groundTruth圖像：

?預(yù)測(cè)圖像

?文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-466977.html

到了這里，關(guān)于實(shí)例分割計(jì)算指標(biāo)TP,FP,FN,F1（附代碼）的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！