语义分割评价指标mIOU的计算

语义分割评价指标mIOU的计算

## 注意事项

这是针对重构了的语义分割网络，而不是之前的那个，所以不要询问原来的网络计算miou要怎么做，因为整个文件构架差距过大，建议使用新构架。

学习前言

算一下语义分割的miou，做好生态链。

什么是mIOU

Mean Intersection over Union(MIoU，均交并比)：其是语义分割的标准度量。

在了解mIOU之前，首先先了解一下IOU是什么，IOU的英文全称为Intersection over Union，中文简称为交并比，也就是交和并的比值。

在语义分割的问题中，单类的交并比就是该类的真实标签和预测值的交和并的比值。示意图如下：

在图中，A为真实标签，占据了图像的一定区域；B为预测结果，占据了图像的一定区域。中间的TP部分就是真实标签和预测值的交，图像整个有颜色的部分就是真实标签和预测值的并。

而mIOU就是该数据集中的每一个类的交并比的平均。

计算公式如下：i表示真实值，j表示预测值 ，pij表示将i预测为j。
​

mIOU的计算

1、计算混淆矩阵：
混淆矩阵听起来很牛逼，其实实际上的实现非常简单。
假设我们现在有一百个样本，分别属于1、2、3、4类，每个类都有二十五个样本。

我们利用网络去进行分类，此时我们可以通过一个矩阵去表现出最终的预测效果，就是混淆矩阵。

每一行之和是该类的真实样本数量，每一列之和是预测为该类的样本数量。
我们来看第一行，第一行意味着，有20个实际为类1的样本被分为类1，有2个实际为类1的样本被分为类2，有1个实际为类1的样本被分为类3，有1个实际为类1的样本被分为类4。

2、计算IOU：

混淆矩阵的对角线上的值是该类的交。
混淆矩阵的每一行再加上每一列，最后减去对角线上的值就是该类的并。

比如对于类1而言，一行一列是True Positive也就是，一行二列、三列、四列都是False Negative，二行一列、三行一列、四行一列都是False Positive。
按照IOU的示意图与公式，可以算出来

计算代码如下：

# 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标签，形状(H×W,)
    k = (a >= 0) & (a < 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)
    # 返回中，写对角线上的为分类正确的像素点
    return np.bincount(n * a[k].astype(int) + b[k], minlength=n ** 2).reshape(n, n)  

def per_class_iu(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 np.diag(hist) / (hist.sum(1) + hist.sum(0) - np.diag(hist))  

3、计算mIOU：
mIOU就是每一个类的IOU的平均，所以只需要对每一个类都按照第二步的公式计算IOU，再求平均获得mIOU就行了。

np.mean(per_class_iu(hist)