分割评价指标MIOU

MIOU定义

有很多博客都有写MIOU，参考下面文章
注意点：

• 类别包含背景，二分类也包含背景
• 混淆矩阵就是分别统计分类模型归错类，归对类的观测值个数，然后把结果放在一个表里展示出来。

代码实现

"""
refer to https://github.com/jfzhang95/pytorch-deeplab-xception/blob/master/utils/metrics.py
"""
import numpy as np


# 设标签宽W，长H
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预测特征图，形状(H×W,)；n是类别数目
    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）,假设0是背景
    out = np.bincount(n * a[k].astype(int) + b[k], minlength=n ** 2).reshape(n, n)
    return out


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)
    out = 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,)
    return out


def compute_mIoU(pred, label, n_classes=2):
    hist = np.zeros((n_classes, n_classes))  # hist初始化为全零，在这里的hist的形状是[n_classes, n_classes]
    hist += fast_hist(label.flatten(), pred.flatten(), n_classes)  # 对一张图片计算 n_classes×n_classes 的hist矩阵，并累加

    mIoUs = per_class_iu(hist)  # 计算逐类别mIoU值
    print('mIOUs', mIoUs)
    for ind_class in range(n_classes):  # 逐类别输出一下mIoU值
        print(str(round(mIoUs[ind_class] * 100, 2)))
    print('===> mIoU: ' + str(round(np.nanmean(mIoUs) * 100, 2)))  # 在所有验证集图像上求所有类别平均的mIoU值，计算时忽略NaN值
    return mIoUs


if __name__ == '__main__':
    imgPredict = np.array([0, 0, 1, 0, 0, 0, 0, 0, 1])  # 可直接换成预测图片
    imgLabel = np.array([0, 1, 1, 0, 0, 0, 0, 0, 1])  # 可直接换成标注图片
    compute_mIoU(imgPredict, imgLabel)
    # metric = SegmentationMetric(3)  # 3表示有3个分类，有几个分类就填几
    # metric.addBatch(imgPredict, imgLabel)
    # pa = metric.pixelAccuracy()
    # cpa = metric.classPixelAccuracy()
    # mpa = metric.meanPixelAccuracy()
    # mIoU = metric.meanIntersectionOverUnion()
    # print('pa is : %f' % pa)
    # print('cpa is :')  # 列表
    # print(cpa)
    # print('mpa is : %f' % mpa)
    # print('mIoU is : %f' % mIoU)

参考博客

[1]：语义分割之MIoU原理与实现
[2]：4.4.2分类模型评判指标（一） - 混淆矩阵(Confusion Matrix)
[3]：核心这一篇：深度学习计算机视觉图像分割领域指标mIoU（平均交并比）计算代码与逐行解析