超像素评价(评估)标准

超像素评价(评估)标准

为了更好的对不同的超像素算法进行评估，因此引入了不同的评价标准，对算法的性能进行评估。

首先，令S={S_j}^K_j=1 、G={G_i}以及图像 I ：x_n ->I(x_n),1≤n≤N。
S表示图像的超像素块的集合，S_j表示第j个超像素块，K表示超像素数量(对于可以控制超像素数量的算法而言，有些算法不能控制生成超像素数量)。
G 表示真实超像素集合，G_i为第 j个超像素，此处的G取自Ground Truth（即参考标准）。
x_n表示图像中的第n个像素，N为图像像素总数。

一、Boundary Recall(Rec)—边界召回率

$$Rec(G,S)=\frac{TP(G,S)}{TP(G,S)+FN(G,S)}$$
$TP(G,S)$表示：$S$中的边界像素在规定的邻域中存在$G$中的边界像素
$FN(G,S)$表示：$S$中的边界像素在规定的领域中不存在$G$中的边界像素

因此，$Rec(G,S)$越大越好

在《Superpixels: An evaluation of the state-of-the-art 》文章中提到：$S$中的边界像素与$G$中的任意边界像素在$(2r+1)\ast (2r+1)$的邻域内进行匹配，其中$r$为图像对角线(四舍五入)的0.0025倍。(例如，对于数据集BSDS500，$r=1$ )

二、Undersegmentation Error(UE)—欠分割误差

$$U{E}_{Levin}(G,S)=\frac{1}{|G|}\sum _{G_i}\frac{({\sum }_{S_j\cap G_i\ne \varnothing }|S_j|)-|G_i|}{|G_i|}$$
此公式表示：超像素与真实分割(Ground truth,G)相交之外的像素数量与真实分割像素数量的比值，因此，$U{E}_{Levin}(G,S)$越小越好。但是该公式没有将$U{E}_{Levin}(G,S)$限制在$[0,1]$。

Bergh等人提出以下公式:
$$U{E}_{Bergh}(G,S)=\frac{1}{N}\sum _{S_j}|S_j-\underset{G_i}{\mathrm{argmax}}|S_j\cap G_i||$$
其中，$\underset{G_i}{\mathrm{argmax}}|S_j\cap G_i|$表示：取与$S_j$交集最大的$G_i$。
$N$为图像像素总数，因此$0\le U{E}_{Bergh}(G,S)\le 1$

Neubert and Protzel提出以下公式:
U E N P ( G , S ) = 1 N ∑ G i ∑ S j ∩ G i ≠ ∅ m i n { ∣ S j ∩ G i ∣ , ∣ S j − G i ∣ } UE_{NP}(G,S)=\frac{1}{N}\sum_{Gi}\sum_{S_{j}\cap G_{i}≠\varnothing}min\{|S_{j}\cap G_{i}|,|S_{j}-G_{i}|\} UENP​(G,S)=N1​Gi∑​Sj​∩Gi​​=∅∑​min{∣Sj​∩Gi​∣,∣Sj​−Gi​∣}

三、Explained Variation(EV)—变化解释

$EV$量化了超像素的质量，不依赖于$G$。因为图像边界通常表现出强烈的颜色和结构变化，因此 $EV$定义为：
$$EV(S)=\frac{{\sum }_{S_j}|S_j|(\mu (S_j)-\mu (I){)}^2}{{\sum }_{x_n}(I(x_n)-\mu (I){)}^2}$$
此处$\mu (S_j)$和$\mu (I)$表示超像素$S_j$和图像$I$的mean color(色彩均值)，因此$EV$越大越好。

四、Compactness(CO)—紧凑性

$$CO(G,S)=\frac{1}{N}\sum _{S_j}|S_j|\frac{4\pi A(S_j)}{P(S_j)}$$
$A(S_j)$表示超像素$S_j$的面积
$P(S_j)$表示与超像素$S_j$周长相同的圆的面积
因此$CO(G,S)$越大越好

五、Achievable Segmentation Accuracy(ASA)—可达分割精度

A S A ( G , S ) = 1 N ∑ S j max ⁡ G i { ∣ S j ∩ G i ∣ } ASA(G,S)=\frac{1}{N}\sum_{S_{j}}\max_{G_{i}}\{|S_{j}\cap G_{i}|\} ASA(G,S)=N1​Sj​∑​Gi​max​{∣Sj​∩Gi​∣}
通常，超像素$S_j$与真实分割$G_j$交集越大，说明超像素分割效果越好，因此$ASA(G,S)$越大越好。

六、Intra-Cluster Variation(ICV)—簇内变化

$$ICV(S)=\frac{1}{|S|}\sum _{S_j}\frac{\sqrt{{\sum }_{x_n\in S_j}(I(x_n)-\mu (S_j){)}^2}}{|S_j|}$$
通过计算每个超像素内的平均标准偏差来描述分割的质量。好的分割应该在每个超像素内创建具有较小差异的同质簇。因此$ICV(S)$越小越好。

七、Mean Distance to Edge(MDE)—边缘平均距离

$$MDE(G,S)=\frac{1}{N}\sum _{x_n\in B(G)}dis{t}_s(x_n)$$
其中$B(G)$为$G$中的边界像素集合，$dis{t}_s$为$S$的距离变换。$MDE$越小越好。