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={Sj}Kj=1 、G={Gi}以及图像 I :xn ->I(xn),1≤n≤N。
S表示图像的超像素块的集合,Sj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,Gi为第 j个超像素,此处的G取自Ground Truth(即参考标准)。
xn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
R
e
c
(
G
,
S
)
=
T
P
(
G
,
S
)
T
P
(
G
,
S
)
+
F
N
(
G
,
S
)
Rec(G,S)=\frac{TP(G,S)}{TP(G,S)+FN(G,S)}
Rec(G,S)=TP(G,S)+FN(G,S)TP(G,S)
T
P
(
G
,
S
)
TP(G,S)
TP(G,S)表示:
S
S
S中的边界像素在规定的邻域中存在
G
G
G中的边界像素
F
N
(
G
,
S
)
FN(G,S)
FN(G,S)表示:
S
S
S中的边界像素在规定的领域中不存在
G
G
G中的边界像素
因此, R e c ( G , S ) Rec(G,S) Rec(G,S)越大越好
在《Superpixels: An evaluation of the state-of-the-art 》文章中提到: S S S中的边界像素与 G G G中的任意边界像素在 ( 2 r + 1 ) ∗ ( 2 r + 1 ) (2r+1)*(2r+1) (2r+1)∗(2r+1)的邻域内进行匹配,其中 r r 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 r=1 r=1 )
二、Undersegmentation Error(UE)—欠分割误差
U
E
L
e
v
i
n
(
G
,
S
)
=
1
∣
G
∣
∑
G
i
(
∑
S
j
∩
G
i
≠
∅
∣
S
j
∣
)
−
∣
G
i
∣
∣
G
i
∣
UE_{Levin}(G,S)=\frac{1}{|G|}\sum_{G_{i}}\frac{(\sum_{S_{j} \cap G_{i}≠\varnothing}|S_{j}|)-|G_{i}|}{|G_{i}|}
UELevin(G,S)=∣G∣1Gi∑∣Gi∣(∑Sj∩Gi=∅∣Sj∣)−∣Gi∣
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
L
e
v
i
n
(
G
,
S
)
UE_{Levin}(G,S)
UELevin(G,S)越小越好。但是该公式没有将
U
E
L
e
v
i
n
(
G
,
S
)
UE_{Levin}(G,S)
UELevin(G,S)限制在
[
0
,
1
]
[0,1]
[0,1]。
Bergh等人提出以下公式:
U
E
B
e
r
g
h
(
G
,
S
)
=
1
N
∑
S
j
∣
S
j
−
arg max
G
i
∣
S
j
∩
G
i
∣
∣
UE_{Bergh}(G,S)=\frac{1}{N}\sum_{S_{j}}|S_{j}-\argmax_{G_{i}}|S_{j}\cap G_{i}||
UEBergh(G,S)=N1Sj∑∣Sj−Giargmax∣Sj∩Gi∣∣
其中,
arg max
G
i
∣
S
j
∩
G
i
∣
\argmax_{G_{i}}|S_{j}\cap G_{i}|
Giargmax∣Sj∩Gi∣表示:取与
S
j
S_{j}
Sj交集最大的
G
i
G_{i}
Gi。
N
N
N为图像像素总数,因此
0
≤
U
E
B
e
r
g
h
(
G
,
S
)
≤
1
0≤UE_{Bergh}(G,S)≤1
0≤UEBergh(G,S)≤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)=N1Gi∑Sj∩Gi=∅∑min{∣Sj∩Gi∣,∣Sj−Gi∣}
三、Explained Variation(EV)—变化解释
E
V
EV
EV量化了超像素的质量,不依赖于
G
G
G。因为图像边界通常表现出强烈的颜色和结构变化,因此
E
V
EV
EV定义为:
E
V
(
S
)
=
∑
S
j
∣
S
j
∣
(
μ
(
S
j
)
−
μ
(
I
)
)
2
∑
x
n
(
I
(
x
n
)
−
μ
(
I
)
)
2
EV(S)=\frac{\sum_{S_{j}}|S_{j}|(\mu (S_{j})-\mu (I))^2}{\sum_{x_{n}}(I(x_{n})-\mu (I))^2}
EV(S)=∑xn(I(xn)−μ(I))2∑Sj∣Sj∣(μ(Sj)−μ(I))2
此处
μ
(
S
j
)
\mu (S_{j})
μ(Sj)和
μ
(
I
)
\mu (I)
μ(I)表示超像素
S
j
S_{j}
Sj和图像
I
I
I的mean color(色彩均值),因此
E
V
EV
EV越大越好。
四、Compactness(CO)—紧凑性
C
O
(
G
,
S
)
=
1
N
∑
S
j
∣
S
j
∣
4
π
A
(
S
j
)
P
(
S
j
)
CO(G,S)=\frac{1}{N}\sum_{S_{j}}|S_{j}|\frac{4πA(S_{j})}{P(S_{j})}
CO(G,S)=N1Sj∑∣Sj∣P(Sj)4πA(Sj)
A
(
S
j
)
A(S_{j})
A(Sj)表示超像素
S
j
S_{j}
Sj的面积
P
(
S
j
)
P(S_{j})
P(Sj)表示与超像素
S
j
S_{j}
Sj周长相同的圆的面积
因此
C
O
(
G
,
S
)
CO(G,S)
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)=N1Sj∑Gimax{∣Sj∩Gi∣}
通常,超像素
S
j
S_{j}
Sj与真实分割
G
j
G_{j}
Gj交集越大,说明超像素分割效果越好,因此
A
S
A
(
G
,
S
)
ASA(G,S)
ASA(G,S)越大越好。
六、Intra-Cluster Variation(ICV)—簇内变化
I
C
V
(
S
)
=
1
∣
S
∣
∑
S
j
∑
x
n
∈
S
j
(
I
(
x
n
)
−
μ
(
S
j
)
)
2
∣
S
j
∣
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}|}
ICV(S)=∣S∣1Sj∑∣Sj∣∑xn∈Sj(I(xn)−μ(Sj))2
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
I
C
V
(
S
)
ICV(S)
ICV(S)越小越好。
七、Mean Distance to Edge(MDE)—边缘平均距离
M
D
E
(
G
,
S
)
=
1
N
∑
x
n
∈
B
(
G
)
d
i
s
t
s
(
x
n
)
MDE(G,S)=\frac{1}{N}\sum_{x_{n}\in B(G)}dist_{s}(x_{n})
MDE(G,S)=N1xn∈B(G)∑dists(xn)
其中
B
(
G
)
B(G)
B(G)为
G
G
G中的边界像素集合,
d
i
s
t
s
dist_{s}
dists为
S
S
S的距离变换。
M
D
E
MDE
MDE越小越好。