补充：混淆矩阵、图像分割指标计算

一、混淆矩阵的计算、绘制

二、图像分割常用指标

 

一、混淆矩阵

1.1 混淆矩阵介绍

之前介绍过二分类混淆矩阵：《混淆矩阵、错误率、正确率、精确度、召回率、F1值、PR曲线、ROC曲线、AUC》

现在说一下多分类混淆矩阵。其实是一样的，就是长下面这样。

只有对角线上的点是分类正确的点。

有了混淆矩阵之后，就可以求各种率了。比如正确率、错误率、召回率等等。

 

1.2 混淆矩阵计算

（1）原理

知道了标签与预测之后，就可以得到混淆矩阵了。比如，下面的数据。共有10个数据，类别有6类。第一行是标签。第二行是预测的结果。

可以统计得到下面的混淆矩阵：

 

我觉得统计的方法就好的。首先初始化一个二维的表格。然后遍历一遍数据，在表格对应的位置+1。

不过有的人给了下面一个方法，也挺巧妙的，下面介绍一下。

第一步：计算n*Lable + predict。n为类别数，这里有6类，所以n=6。

第二步：初始化一个长度为n^2的数组。统计一下n*L+P数组中元素的个数，填写到对应的位置。

这一步可以使用numpy库的bincount()方法实现。

例：

结果：

第三步：把这个矩阵reshape()成n*n，就是混淆矩阵。

有没有很神奇。。。其实挺简单的。。。留作课后作业了~~

 

（2） 代码实现

import numpy as np

#假设每张图片的大小是2*5。
gt_label = np.array([[0, 1, 2, 3, 1],
                      [1, 2, 2, 3, 4]])

pre_label = np.array([[0, 1, 2, 3, 1],
                      [5, 1, 2, 1, 4]])

n_class = 6       #有6类

#验证标签取值是对的
mask = (gt_label >= 0) & (gt_label < n_class)
print(mask)

#通过mask可以把为true的元素挑出来，并且拉成一行
print(gt_label[mask])   #得到的是一维数组
print(pre_label[mask])

#计算混淆矩阵
x = n_class * gt_label[mask] + pre_label[mask]           #第一步：计算n*Lable + predict
print(x)

res = np.bincount(x, minlength=n_class**2).reshape(n_class, n_class)  #第二三步：使用numpy库的bincount()方法统计，并reshape
print(res)

结果：

计算结果正确。

 

将上面的方法封装成函数，如下：