语义分割评价指标及混淆矩阵（代码）

计算混淆矩阵代码

'''
产生n×n的分类统计表
参数a：标签图（转换为一行输入），即真实的标签
参数b：score层输出的预测图（转换为一行输入），即预测的标签
参数n:类别数
'''

def fast_hist(a, b, n):
    #k为掩膜（去除了255这些点（即标签图中的白色的轮廓），其中的a>=0是为了防止bincount()函数出错）
    k = (a >= 0) & (a < n)
    #bincount()函数用于统计数组内每个非负整数的个数
    return np.bincount(n * a[k].astype(int) + b[k], minlength=n**2).reshape(n, n)

注：可以通过改变这里使得求得的混淆矩阵反一下。

评价指标代码

首先需要计算出TF，TP，FP，FN

import glob
import numpy as np
import cv2
from sklearn.metrics import classification_report
import collections
import os

'''
产生n×n的分类统计表
参数a：标签图（转换为一行输入），即真实的标签
参数b：score层输出的预测图（转换为一行输入），即预测的标签
参数n:类别数
'''

def fast_hist(a, b, n):
    #k为掩膜（去除了255这些点（即标签图中的白色的轮廓），其中的a>=0是为了防止bincount()函数出错）
    k = (a >= 0) & (a < n)
    #bincount()函数用于统计数组内每个非负整数的个数
    return np.bincount(n * a[k].astype(int) + b[k], minlength=n**2).reshape(n, n)


# print(collections.Counter(image))  # 统计查看image的类别数目


if __name__ == '__main__':
    Pa = []
    Cpa = []
    Cpa2 = []
    Iou = []
    Dice = []

    lab_path = glob.glob(os.path.join('test_true/', '*.jpg'))
    pre_path = glob.glob(os.path.join('test/', '*res.png'))
    for i in range(len(lab_path)):

        # 处理图像
        image_path = lab_path[i]
        image = cv2.imread(image_path)
        image = image.ravel()
        image[np.where(image < 122)] = 0
        image[np.where(image >= 122)] = 1

        lable_path = pre_path[i]
        lable = cv2.imread(lable_path)
        lable = lable.ravel()
        lable[np.where(lable == 255)] = 1

        # 计算混淆矩阵
        hist = fast_hist(image, lable, 2)
        TP = hist[0][0]
        TN = hist[1][1]
        FP = hist[1][0]
        FN = hist[0][1]

        # 计算各项指标
        pa = (TN+TP)/(TN+TP+FN+FP)
        cpa = TN/(TN+FN)
        cpa2 = TP/(TP+FP)
        iou = FN/(FN+FP+TN)
        dice = 2*TP/(2*TP+FN+FP)

        Pa.append(pa)
        Cpa.append(cpa)
        Cpa2.append(cpa2)
        Iou.append(iou)
        Dice.append(dice)

    # 列表转为Numpy
    Pa_num = np.array(Pa)
    Cpa_num = np.array(Cpa)
    Cpa_num2 = np.array(Cpa2)
    Iou_num = np.array(Iou)
    Dice_num = np.array(Dice)

    print('图片的平均Pa:{:.4f}±{:.4f}'.format(Pa_num.mean(), Pa_num.std()))
    print('白块的平均Cpa:{:.4f}±{:.4f}'.format(Cpa_num.mean(), Cpa_num.std()))
    print('类别平均像素准确率Mpa:{:.4f}'.format((Cpa_num.mean()+Cpa_num2.mean())/2))
    print('白块类别平均IoU:{:.4f}±{:.4f}'.format(Iou_num.mean(), Iou_num.std()))
    print('Dice系数:{:.4f}±{:.4f}'.format(Dice_num.mean(), Dice_num.std()))

评价指标介绍