【理论+实践】史上最全-论文中常用的图像分割评价指标-附完整代码_分割指标hd95 aorta

于 2024-05-15 04:13:56 发布
阅读量1k 收藏 17
点赞数 14
分类专栏： 程序员 文章标签： 大数据 面试 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84615960/article/details/138883215
版权

img
img
img

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

∣

A

⋂

B

∣

∣

A

⋃

B

∣

=

T

P

T

P

F

P

F

N

IoU = \frac{|A \bigcap B|}{|A \bigcup B|} = \frac{TP}{TP + FP + FN}

IoU=∣A⋃B∣∣A⋂B∣​=TP+FP+FNTP​
在这里插入图片描述
还是上面那个3 * 3 的例子，我们来计算一下它的IoU

I

o

U

=

交

集

=

3

并

集

=

5

=

T

P

=

3

T

P

F

P

F

N

=

5

=

60

%

IoU=\frac{交集=3}{并集=5} = \frac{TP=3}{TP+FP+FN=5} = 60%

IoU=并集=5交集=3​=TP+FP+FN=5TP=3​=60%

2.2. 代码中如何表达

# IOU evaluation
def binary\_iou(s, g):
    assert (len(s.shape) == len(g.shape))
    # 两者相乘值为1的部分为交集
    intersecion = np.multiply(s, g)
    # 两者相加，值大于0的部分为交集
    union = np.asarray(s + g > 0, np.float32)
    iou = intersecion.sum() / (union.sum() + 1e-10)
    return iou
g = np.array([1, 1, 1, 1, 1, 0, 0, 0, 0])
s = np.array([0, 1, 0, 1, 1, 0, 0, 0, 0])
iou = binary_iou(s, g)
print(iou)

如果理解了原理，代码依然很简单。

tips: 分母中加了一项1e-10， 是为了防止分母为0的情况出错。

3 骰子系数Dice

3.1 原理

定义： Dice系数定义为两倍的交集除以像素和，也叫F1 score。Dice 系数与 IoU 非常相似，它们是正相关的。这意味着如果一个人说模型 A 在分割图像方面比模型 B 更好，那么另一个人也会这么说。

与 IoU 一样，它们的范围都从 0 到 1，其中 1 表示预测和真实之间的最大相似度。

在这里插入图片描述

其公式为：

D

i

c

e

=

2

∣

A

⋂

B

∣

∣

A

∣

∣

B

∣

=

2

T

P

2

T

P

F

P

F

N

Dice = \frac{2 |A \bigcap B|}{|A| + |B|} = \frac{2 TP}{2TP + FP + FN}

Dice=∣A∣+∣B∣2∣A⋂B∣​=2TP+FP+FN2TP​

可以看到Dice系数对应于IoU，分子分母中的TP都取了两倍

还是上面那个3 * 3 的例子，我们来计算一下它的Dice：

D

i

c

e

=

2

∗

3

5

3

=

2

T

P

=

6

2

T

P

F

P

F

N

=

8

=

75

%

Dice=\frac{2 * 3 }{5+ 3} = \frac{2TP=6}{2TP+FP+FN=8} = 75%

Dice=5+32∗3​=2TP+FP+FN=82TP=6​=75%

3.2 代码中如何实现

def binary\_dice(s, g):
    """
 calculate the Dice score of two N-d volumes.
 s: the segmentation volume of numpy array
 g: the ground truth volume of numpy array
 """
    assert (len(s.shape) == len(g.shape))
    prod = np.multiply(s, g)
    s0 = prod.sum()
    dice = (2.0 \* s0 + 1e-10) / (s.sum() + g.sum() + 1e-10)
    return dice
g = np.array([1, 1, 1, 1, 1, 0, 0, 0, 0])
s = np.array([0, 1, 0, 1, 1, 0, 0, 0, 0])
dice = binary_dice(s, g)
print(dice)

以上的指标意义可以重点掌握，以下有点难度，看不懂直接拉到最后，抄作业就好~~

4 表面距离计算

当我们评价图像分割的质量和模型表现时，经常会用到各类表面距离的计算。
比如

  • Average surface distance 平均表面距离
  • Hausdorff distance 豪斯多夫距离
  • Surface overlap 表面重叠度
  • Surface dice 表面dice值
  • Volumetric dice 三维dice值

4.1 Hausdorff distance 豪斯多夫距离

将Hausdorff distance， HD 用于分割指标，主要是用来度量边界的分割准确度

HD 是描述两组点集之间相似程度的一种量度，它是两个点集之间距离的一种定义形式：假设有两组集合A={a1,…,ap},B={b1,…,bq},则这两个点集合之间的HD定义为：

H

(

A

,

B

)

=

m

a

x

(

h

(

A

,

B

)

,

h

(

B

,

A

)

)

.

.

.

.

.

.

(

1

)

H(A, B) = max(h(A, B), h(B,A)) … (1)

H(A,B)=max(h(A,B),h(B,A))…(1)
在这里插入图片描述

  • 式(1)称为双向Hausdorff distance，是Hausdorff distance的最基本形式；
  • 式(2)中的h(A，B)和h(B，A)分别称为从A集合到B集合和从B集合到A集合的单向Hausdorff距离。即h(A,B)实际上首先对点集A中的每个点ai到距离此点ai最近的B集合中点bj之间的距离‖ai-bj‖进行排序，然后取该距离中的最大值作为h(A,B)的值；h(B,A)同理可得。
  • 由式(1)知，双向Hausdorff距离H(A，B)是单向距离h(A，B)和h(B,A)两者中的较大者，它度量了两个点集间的最大不匹配程度。

刚说了那么多，是不是也不是很清楚，只看公式确实是一件不好玩的事情，那我用网上常用的图来说明一下，还有一个比较简单清晰的计算流程。给定两个点集合A{ a0, a1, … }和B{ b0, b1, b2, …}

  • 取A集合中的一点a0，计算a0到B集合中所有点的距离，保留最短的距离d0
  • 遍历A集合中所有点，图中一共两点a0和a1，计算出d0和d1
  • 比较所有的距离{ d0, d1 }，选出最长的距离d1
  • 这个最长的距离就是h，它是A→B的单向豪斯多夫距离，记为h( A, B
  • 对于A集合中任意一点a，我们可以确定，以点a为圆心，h为半径的圆内部必有B集合中的
  • 交换A集合和B集合的角色，计算B→A的单向豪斯多夫距离h( B, A )，选出h( A, B )和h( B, A )中最长的距离，就是A,B集合的双向豪斯多夫距离

在这里插入图片描述

此部分参考链接

在实际计算中，我们并不是选取的不是最大距离，而是将距离从大到小排列后，取排名为5%的距离。这么做的目的是为了排除一些离群点所造成的不合理的距离，保持整体数值的稳定性。所以也叫==

H

D

95

HD_{95}

HD95​.==

4.2 代码如何实现

H

D

95

HD_{95}

HD95​和ASD

# Hausdorff and ASSD evaluation
def get\_edge\_points(img):
    """
 get edge points of a binary segmentation result
 """
    dim = len(img.shape)
    if (dim == 2):
        strt = ndimage.generate_binary_structure(2, 1)
    else:
        strt = ndimage.generate_binary_structure(3, 1)  # 三维结构元素，与中心点相距1个像素点的都是邻域
    ero = ndimage.morphology.binary_erosion(img, strt)
    edge = np.asarray(img, np.uint8) - np.asarray(ero, np.uint8)
    return edge

def binary\_hausdorff95(s, g, spacing=None):
    """
 get the hausdorff distance between a binary segmentation and the ground truth
 inputs:
 s: a 3D or 2D binary image for segmentation
 g: a 2D or 2D binary image for ground truth
 spacing: a list for image spacing, length should be 3 or 2
 """
    s_edge = get_edge_points(s)
    g_edge = get_edge_points(g)
    image_dim = len(s.shape)
    assert (image_dim == len(g.shape))
    if (spacing == None):
        spacing = [1.0] \* image_dim
    else:
        assert (image_dim == len(spacing))
    img = np.zeros_like(s)
    if (image_dim == 2):
        s_dis = GeodisTK.geodesic2d_raster_scan(img, s_edge, 0.0, 2)
        g_dis = GeodisTK.geodesic2d_raster_scan(img, g_edge, 0.0, 2)
    elif (image_dim == 3):
        s_dis = GeodisTK.geodesic3d_raster_scan(img, s_edge, spacing, 0.0, 2)
        g_dis = GeodisTK.geodesic3d_raster_scan(img, g_edge, spacing, 0.0, 2)

    dist_list1 = s_dis[g_edge > 0]
    dist_list1 = sorted(dist_list1)
    dist1 = dist_list1[int(len(dist_list1) \* 0.95)]
    dist_list2 = g_dis[s_edge > 0]
    dist_list2 = sorted(dist_list2)
    dist2 = dist_list2[int(len(dist_list2) \* 0.95)]
    return max(dist1, dist2)


# 平均表面距离
def binary\_assd(s, g, spacing=None):
    """
 get the average symetric surface distance between a binary segmentation and the ground truth
 inputs:
 s: a 3D or 2D binary image for segmentation
 g: a 2D or 2D binary image for ground truth
 spacing: a list for image spacing, length should be 3 or 2
 """
    s_edge = get_edge_points(s)
    g_edge = get_edge_points(g)
    image_dim = len(s.shape)
    assert (image_dim == len(g.shape))
    if (spacing == None):
        spacing = [1.0] \* image_dim
    else:
        assert (image_dim == len(spacing))
    img = np.zeros_like(s)
    if (image_dim == 2):
        s_dis = GeodisTK.geodesic2d_raster_scan(img, s_edge, 0.0, 2)
        g_dis = GeodisTK.geodesic2d_raster_scan(img, g_edge, 0.0, 2)
    elif (image_dim == 3):
        s_dis = GeodisTK.geodesic3d_raster_scan(img, s_edge, spacing, 0.0, 2)
        g_dis = GeodisTK.geodesic3d_raster_scan(img, g_edge, spacing, 0.0, 2)

    ns = s_edge.sum()
    ng = g_edge.sum()
    s_dis_g_edge = s_dis \* g_edge
    g_dis_s_edge = g_dis \* s_edge
    assd = (s_dis_g_edge.sum() + g_dis_s_edge.sum()) / (ns + ng)
    return assd

这部分的计算相对有难度，另外，对于表面距离的计算还有公开库可用，如表面距离计算库， 可以实现上述距离算法。

5 相关体积误差 RVE

relative volume error, RVE， 暂时没找到很好的解释，可以参考：rve参考链接

公式为：

R

V

E

(

R

a

,

R

b

)

=

a

b

s

(

∣

R

a

∣

−

∣

R

b

∣

)

∣

R

b

∣

RVE(R_a, R_b) = \frac{abs(|R_a|-|R_b|)}{|R_b|}

RVE(Ra​,Rb​)=∣Rb​∣abs(∣Ra​∣−∣Rb​∣)​

  • R_a: segmentation results
  • R_b: ground truth

在代码中的实现为：

def binary\_relative\_volume\_error(s_volume, g_volume):
    s_v = float(s_volume.sum())
    g_v = float(g_volume.sum())
    assert (g_v > 0)
    rve = abs(s_v - g_v) / g_v
    return rve

6 为懒癌星人进行打包服务

在这里插入图片描述
是不是想一键get同款，复制下面代码，只需改名字就可以拿到所有的指标结果。适用于三维数据，数据格式为nii.gz…如果是二维数据，需要给一下数据读取方式。

# 计算三维下各种指标
from __future__ import absolute_import, print_function

import pandas as pd
import GeodisTK
import numpy as np
from scipy import ndimage


# pixel accuracy
def binary\_pa(s, g):
    """
 calculate the pixel accuracy of two N-d volumes.
 s: the segmentation volume of numpy array
 g: the ground truth volume of numpy array
 """
    pa = ((s == g).sum()) / g.size
    return pa


# Dice evaluation
def binary\_dice(s, g):
    """
 calculate the Dice score of two N-d volumes.
 s: the segmentation volume of numpy array
 g: the ground truth volume of numpy array
 """
    assert (len(s.shape) == len(g.shape))
    prod = np.multiply(s, g)
    s0 = prod.sum()
    dice = (2.0 \* s0 + 1e-10) / (s.sum() + g.sum() + 1e-10)
    return dice


# IOU evaluation
def binary\_iou(s, g):
    assert (len(s.shape) == len(g.shape))
    # 两者相乘值为1的部分为交集
    intersecion = np.multiply(s, g)
    # 两者相加，值大于0的部分为交集
    union = np.asarray(s + g > 0, np.float32)
    iou = intersecion.sum() / (union.sum() + 1e-10)
    return iou


# Hausdorff and ASSD evaluation
def get\_edge\_points(img):
    """
 get edge points of a binary segmentation result
 """
    dim = len(img.shape)
    if (dim == 2):
        strt = ndimage.generate_binary_structure(2, 1)
    else:
        strt = ndimage.generate_binary_structure(3, 1)  # 三维结构元素，与中心点相距1个像素点的都是邻域
    ero = ndimage.morphology.binary_erosion(img, strt)
    edge = np.asarray(img, np.uint8) - np.asarray(ero, np.uint8)
    return edge


def binary\_hausdorff95(s, g, spacing=None):
    """
 get the hausdorff distance between a binary segmentation and the ground truth
 inputs:
 s: a 3D or 2D binary image for segmentation
 g: a 2D or 2D binary image for ground truth
 spacing: a list for image spacing, length should be 3 or 2
 """
    s_edge = get_edge_points(s)
    g_edge = get_edge_points(g)
    image_dim = len(s.shape)
    assert (image_dim == len(g.shape))
    if (spacing == None):
        spacing = [1.0] \* image_dim
    else:
        assert (image_dim == len(spacing))
    img = np.zeros_like(s)
    if (image_dim == 2):
        s_dis = GeodisTK.geodesic2d_raster_scan(img, s_edge, 0.0, 2)
        g_dis = GeodisTK.geodesic2d_raster_scan(img, g_edge, 0.0, 2)
    elif (image_dim == 3):
        s_dis = GeodisTK.geodesic3d_raster_scan(img, s_edge, spacing, 0.0, 2)


![img](https://img-blog.csdnimg.cn/img_convert/e1b8bf54e1c5cfedbfbc05355e545026.png)
![img](https://img-blog.csdnimg.cn/img_convert/39f0594da11700b4aba33769b887e2b4.png)

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**


 inputs:
 s: a 3D or 2D binary image for segmentation
 g: a 2D or 2D binary image for ground truth
 spacing: a list for image spacing, length should be 3 or 2
 """
    s_edge = get_edge_points(s)
    g_edge = get_edge_points(g)
    image_dim = len(s.shape)
    assert (image_dim == len(g.shape))
    if (spacing == None):
        spacing = [1.0] \* image_dim
    else:
        assert (image_dim == len(spacing))
    img = np.zeros_like(s)
    if (image_dim == 2):
        s_dis = GeodisTK.geodesic2d_raster_scan(img, s_edge, 0.0, 2)
        g_dis = GeodisTK.geodesic2d_raster_scan(img, g_edge, 0.0, 2)
    elif (image_dim == 3):
        s_dis = GeodisTK.geodesic3d_raster_scan(img, s_edge, spacing, 0.0, 2)


[外链图片转存中...(img-WC57tCYI-1715717613763)]
[外链图片转存中...(img-VKvJBjgn-1715717613764)]

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
2401_84615960
关注
  • 14
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
GeodisTK:2d3d图像的测地距离变换
05-28
GeodisTK：​​用于2D和3D图像的测地距离转换工具包 可以通过两种方法来实现图像的测地变换：快速行进和光栅扫描。 快速行进基于速度为F [1]的像素前沿的迭代传播。 光栅扫描基于内核操作，这些内核操作在多遍处理中依次应用于图像[2] [3]。 在GeoS [4]中，作者建议使用3x3内核进行正向和反向传递，以进行有效的测地距离转换，该转换用于图像分割。 栅格扫描以进行测地距离转换。 图片来自[4]。 DeepIGeoS [5]提出将测地距离变换与卷积神经网络相结合，以有效地对2D和3D图像进行交互式分割。 [1] Sethian，James A.“快速行进方法”。 SIAM评论41，没有。 2（1999）：199-235。 [2] Borgefors，古尼拉。 “数字图像中的距离转换。” CVPR，1986年 [3] Toivanen，PekkaJ。“用于灰度图像的新测地距
差影法matlab代码-aorta-segment-and-feature-extract-system:此回购的主动脉分割和特征提取系统
05-23
差影法matlab代码 主动脉分割与特征提取系统页面展示部分代码 系统最终效果 主动脉病例预览模块 该部分是主动脉病例预览模块的效果，包括分页显示病例，点击病例后可以显示对应的病例CT的第一帧，并在拖动进度条的...
【图像分割】理论篇（1）评估指标代码实现
qq_46644680的博客
08-20 947
图像分割是计算机视觉中的重要任务，用于将图像中的不同区域分割成具有语义意义的区域。
【理论+实践】史上最全-论文中常用的图像分割评价指标-附完整代码
u014264373的博客
06-08 9247
图像分割的评价指标非常多，论文中常用的包括像素准确率(Pixel Accuracy, PA)、交并比(Intersection-Over-Union，IOU)、Dice系数(Dice Coeffcient), 豪斯多夫距离（ Hausdorff distance，HD95），体积相关误差（relative volume error, RVE）。 文末还为懒癌星人提供一站式服务，只需修改地址，就可以实现所有指标，并且将结果存为Excel。 接下来，一一为大家解答。内容超多，建议收藏，需要用到时再来学习。 文.
【机器学习】图像语义分割常用指标-HD95
Everyday try to become better -Kobe Bryant
05-01 6369
一般使用dice衡量区域的重合程度，使用95%的HD（ Hausdorff Distance）去衡量边界的重合程度，之所以取95%，是因为要滤去5%的离群点。但其实，虽然有两个指标，95hd经常不是主动优化的。一般dice小了，95HD就小了，因此大多数人使用dice loss作为梯度下降的loss。
DSC和HD医学图像分割评价指标
热门推荐
qq_37652891的博客
03-14 1万+
DSC和HD医学图像分割评价指标 1. Dice相似系数(DSC) DSC(Dice Similarity Cofficient) 用于度量两个集合的相似度，取值范围为[0,1],值越大，表示两个集合越相似。常用在計算闭合区域的相似性。 计算可调用medpy包 dice = medpy.metric.binary.dc(pred, gt) *注意：Dice Loss= 1-Dice系数 2. Hausdorff_95 (95% HD) 豪斯多夫距离，计算两个集合之间的距离，值越小，代表两个集合的相似度越高
医学图像分割常见评价指标(单目标)——包含源码讲解和指标缺陷
Philo的博客
11-05 1万+
2023年6月1号新增Accuracy指标，强调了其和Precisio指标的区别 就是预测的区域中真正是目标区域的面积占据总目标区域的比例，1最好，0最拉；
Aorta-开源
04-26
Aorta（Aleph One替换纹理附件）是用于创建高质量RGB和S3TC / DXTC（使用Squish库）DDS纹理的工具。
SWRPG-Web-Dice-Roller：SW EotEFnDAoR RPG的Web App伴侣
02-06
首先，您需要在计算机上安装NodeJS。 您可以在找到最新版本 点击此页面顶部的“克隆或下载”。 单击“下载Zip”并解压缩文件。 下一步[在此处]为WebApp创建一个Firebase项目 点击“添加项目” 为您的项目命名 在...
Aorta p2p Tasklet cluster-开源
05-03
通用群集/负载平衡平台（通过LAN或Internet），使用基于Java的P2P Aorta工作者执行Java“任务集”。 可以实施各种小任务来解决分形，处理图像，渲染网页，破解RSA“蛮力”的问题。
Aorta:具有联系医生、查看报告和报告生成等附加功能的心脏病预测器应用程序
05-31
主动脉 Hackday Hackathon项目（一等奖获得者） 沥青 一种辅助技术，它利用机器学习的力量准确预测患者是否患有心脏病，从而让医生通过保留所有先前预测的记录来预测任何即将发生的疾病。 提供医生与其患者之间随时...
TIP2023| nnFormer：利用交织3D卷积和Transformer进行医学分割的新方案
qq_45807235的博客
03-15 4492
Transformer作为自然语言处理的首选模型，在医学影像界引起了很少的关注。考虑到利用长期依赖关系的能力，Transformer有望帮助非典型卷积神经网络克服其空间归纳偏差的固有缺点。nnFormer不仅利用**交织卷积和自注意**操作的结合，还引入了局部和全局基于体积的自注意机制来学习体积表示。此外，nnFormer提出在U-Net类架构中**使用跳跃注意**来代替传统的跳跃连接中的连接/求和操作
分割评价指标
fanre的专栏
12-30 4510
一、背景知识 True positives (TP):实际正样本，被预测成正样本。 True negatives (TN)：实际负样本，被预测成负样本。 False positives (FP)：实际正样本，被预测成正样本。 False negatives (FN)：实际负样本，被预测成负样本。 实际上在分割中的TP、TN、FP、FN的具体含义见图1， 图1、分割中TP、TN、FP、FN的区域定义 Confusion Matrix：可以简单的理解为统计TP、TN、FP、FN的表.
医学图像分割评价指标
qq_45249251的博客
10-17 2767
那么，对应到混淆矩阵中，那肯定是希望TP与TN的数量大，而FP与FN的数量小。,ap},B={b1,…[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-S4W6mL2e-1666008006241)(attachments/6PIU6ZGH.png)]6、交换A集合和B集合的角色，计算B→A的单向豪斯多夫距离h( B, A )，选出h( A, B )和h( B, A )中最长的距离，就是A,B集合的双向豪斯多夫距离。当分类问题是二分问题是，混淆矩阵可以用上面的方法计算。
常见指标 Iou,dice,accuracy,recall,sensitivity,precision,F1-score,specificity 图解以及计算代码
LQ_001的博客
11-20 8019
图像分割IOU计算代码
医疗图像分割指标
iTom's blog
09-28 1586
medical image segmentation metrics
医学图像分割评判标准及程序代码
JH灰色的博客
10-22 1万+
1.图像分割指标 前言 在医学分割算法中，通常医生的手绘标注作为金标准（Ground Truth，简称GT），其他算法分割的作为预测结果（Rseg,简称SEG）。 分类问题 考虑一个二分类的情况，类别为1和0，我们将1和0分别作为正类（positive）和负类（negative），则实际分类的结果有4种，表格如下： 从这个表格中可以引出一些其它的评价指标： ACC：classification ...
pcl点云分割评价指标
最新发布
02-20
PCL（Point Cloud Library）是一个开源的点云处理库用于处理和分析三维点云数据。在点云分割任务中，评价指标用于衡量算法的性能和准确度。以下是几个常用的PCL点云分割评价指标： 1. 点云分割准确率（Segmentation Accuracy）：该指标用于评估算法对点云数据进行正确分割的能力。准确率可以通过计算正确分割的点数与总点数之比来得到。 2. 点云分割召回率（Segmentation Recall）：该指标用于评估算法对点云数据进行完整分割的能力。召回率可以通过计算正确分割的点数与真实分割点数之比来得到。 3. 平均欠分割误差（Under-segmentation Error）：该指标用于评估算法对点云数据进行过度分割的程度。欠分割误差可以通过计算未正确分割的点数与总点数之比来得到。 4. 平均过分割误差（Over-segmentation Error）：该指标用于评估算法对点云数据进行不足分割的程度。过分割误差可以通过计算错误分割的点数与总点数之比来得到。 5. 边界正确率（Boundary Precision）：该指标用于评估算法对点云数据中物体边界的准确度。边界正确率可以通过计算正确分割的边界点数与总边界点数之比来得到。 6. 边界召回率（Boundary Recall）：该指标用于评估算法对点云数据中物体边界的完整性。边界召回率可以通过计算正确分割的边界点数与真实边界点数之比来得到。 以上是一些常见的PCL点云分割评价指标，可以根据具体任务和需求选择适合的指标进行评估。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值