Miou

import numpy as np
np.seterr(divide='ignore',invalid='ignore')

def fast_hist(a, b, n):  # a是转化成一维数组的标签，形状(H×W,)；b是转化成一维数组的标签，形状(H×W,)；n是类别数目，实数（在这里为19）
    k = (a >= 0) & (a < n)  # k是一个一维bool数组，形状(H×W,)；目的是找出标签中需要计算的类别（去掉了背景）
    return np.bincount(n * a[k].astype(int) + b[k], minlength=n ** 2).reshape(n, n)  # np.bincount计算了从0到n**2-1这n**2个数中每个数出现的次数，返回值形状(n, n)

def per_class_iu(hist):  # 分别为每个类别（在这里是19类）计算mIoU，hist的形状(n, n)
    return np.diag(hist) / (hist.sum(1) + hist.sum(0) - np.diag(hist))  # 矩阵的对角线上的值组成的一维数组/矩阵的所有元素之和，返回值形状(n,)

def label_mapping(input, mapping):  # 主要是因为CityScapes标签里面原类别太多，这样做把其他类别转换成算法需要的类别（共19类）和背景（标注为255）
    output = np.copy(input)  # 先复制一下输入图像
    for ind in range(len(mapping)):
        output[input == mapping[ind][0]] = mapping[ind][1]  # 进行类别映射，最终得到的标签里面之后0-18这19个数加255（背景）
    return np.array(output, dtype=np.int64)  # 返回映射的标签



def compute_mIoU(label, pred, num_classes):  # 计算mIoU的函数
    """
    Compute IoU
    """

    hist = np.zeros((num_classes, num_classes))#hist初始化为全零，在这里的hist的形状是[19, 19]
    assert len(label.flatten()) == len(pred.flatten())  # 如果图像分割结果与标签的大小不一样，这张图片就不计算

    hist += fast_hist(label.flatten(), pred.flatten(), num_classes)  # 对一张图片计算19×19的hist矩阵，并累加

    per_mIou = per_class_iu(hist)  # 计算所有验证集图片的逐类别mIoU值
    per_mIou_set = {}
    per_mIou = np.around(per_mIou, decimals=4)
    for index, per in enumerate(per_mIou):
        per_mIou_set[index] = per

    mIoU = np.nanmean(per_mIou)
    mIoU = np.around(mIoU, decimals=4)
    return mIoU, per_mIou_set

label = np.array([0,1,2,2,1,3,2])
pred =  np.array([1,1,2,2,1,3,2])
out, per = compute_mIoU(label, pred, 4)
print(out, per)