二分类语义分割结果彩色可视化代码

对于一个特定的数据集，我们需要关注分类器的预测结果。我们应该从后往前看，先看分类器的预测结果是Positive（正样本）还是Negative（负样本）？如果分类器预测正样本，那么我们需要查看实际结果是否也是正样本，如果是，则说明分类器预测正确，否则说明分类器预测错误。如果分类器预测负样本，那么我们需要查看实际结果是否也是负样本，如果是，则说明分类器预测正确，否则说明分类器预测错误。

在分类器的预测结果中，我们还需要关注四个重要的指标：True Positive（TP）、False Positive（FP）、True Negative（TN）和False Negative（FN）。TP表示分类器预测结果为正样本，实际也为正样本，即正样本被正确识别的数量；FP表示分类器预测结果为正样本，实际为负样本，即误报的负样本数量；TN表示分类器预测结果为负样本，实际也为负样本，即负样本被正确识别的数量；FN表示分类器预测结果为负样本，实际为正样本，即漏报的正样本数量。

通过对这四个指标的分析，我们可以了解分类器的准确率、召回率、精确率和F1值等指标，从而评估分类器的性能。

具体代码如下：

将两张图像进行融合时，在不涉及透明度的情况下（设置透明会导致提取结果的白色变成灰色），会涉及到背景问题，存在FN色彩融不进去的现象，所以需要另写循环来对色彩进行调整。

# -*- encoding: utf-8 -*-

from PIL import Image
import cv2
import numpy as np


def visualize_errors(image_path, mask_path, prediction_path):
    image = cv2.imread(image_path)
    mask = cv2.imread(mask_path, cv2.IMREAD_GRAYSCALE)
    prediction = cv2.imread(prediction_path, cv2.IMREAD_GRAYSCALE)

    # 创建 FP 和 FN 的掩膜
    fp_mask = np.zeros_like(mask)
    fn_mask = np.zeros_like(mask)

    # 判断每个像素的分类是否正确，并标记 FP 和 FN 区域
    for i in range(mask.shape[0]):
        for j in range(mask.shape[1]):
            if mask[i, j] == 255 and prediction[i, j] != 255:  # FN
                fn_mask[i, j] = 255

    for i in range(mask.shape[0]):
        for j in range(mask.shape[1]):
            if mask[i, j] == 0 and prediction[i, j] == 255:  # FP
                fp_mask[i, j] = 255

    fn_visualized = np.stack((fn_mask, fn_mask, fn_mask), axis=2)
    fp_visualized = np.stack((fp_mask, fp_mask, fp_mask), axis=2)

    mask_3d_fp = np.all(fp_visualized == [255, 255, 255], axis=2)
    fp_visualized[mask_3d_fp] = [255, 0, 0]  # FP blue
    result = cv2.add(fp_visualized, image)

    for i in range(fn_visualized.shape[0]):
        for j in range(fn_visualized.shape[1]):
            if fn_visualized[i, j][0] == 255:
                result[i, j] = [0, 0, 255]  # FN red

    cv2.imshow("result Image", result)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    cv2.imwrite('fused_image.jpg', result)


if __name__ == '__main__':
    # 图像=标签
    image_path = "10007.png"
    # 标签
    mask_path = "10007.png"
    # 预测 8位24位均可
    prediction_path = "10007pre.png"
    visualize_errors(image_path, mask_path, prediction_path)

 运行结果图