计算predict.png和label.png之间的混淆矩阵，precision，recall，MIOU

最新推荐文章于 2024-04-30 10:06:34 发布

Pr Young

最新推荐文章于 2024-04-30 10:06:34 发布

阅读量584

点赞数

分类专栏：深度学习文章标签：深度学习

本文链接：https://blog.csdn.net/weixin_47414034/article/details/125264011

版权

深度学习专栏收录该内容

35 篇文章 5 订阅

订阅专栏

本文详细介绍了混淆矩阵的构成，以及在二分类问题中如何计算召回率和精确率。同时，解释了MIOU（Mean Intersection over Union）的概念，它是多分类问题的平均IoU，用于衡量模型的性能。通过一个三分类问题的实例，展示了混淆矩阵的计算过程，并给出了MIOU的求解步骤，帮助读者深入理解这些关键指标在实际应用中的计算方法。

摘要由CSDN通过智能技术生成

1.混淆矩阵：

总共两个字母：第一个字母表示你预测的对不对，第二个字母表示你预测的是啥

第一个字母表示预测正确（True）还是错误（False），只要是预测正确就是以T开头（True），预测错误就是F开头（False）

第二个字母表示预测值是yes（Positive）还是no（Negative）

第二个字母表示预测值是Positive还是Negative

2.召回率Recall：正确的预测了正样本（TP)/正样本总数(FN+TP)=100/105

3.精确率Precision:正确的预测了正样本（TP)/预测为正样本的个数（FP+TP)=100/110

4.MIOU:

IOU:交并比，交集除以并集=TP/(TP+FP+FN)

MIOU就是多分类问题的平均IOU

MIOU=每一类的TP/(TP+FP+FN)之和求平均

下面是代码实现：

以一个三分类问题为例：（分成0，1，2三类）

（1）求混淆矩阵：

from sklearn.metrics import confusion_matrix

import cv2

label=cv2.imread("label.png")

#图片展平到一维上面
label=label.reshape(-1)

pred=cv2.imread("predict.png")
pred=pred.reshape(-1)
#告诉confusion_matrix函数label里面总共有三个像素0，91，255
out=confusion_matrix(label,pred,label())
print(out)

最后的得到一个3*3矩阵：

应该这么理解：

（2）算出MIOU

对于类别0，它的混淆矩阵：

算出类别0的IOU:TP/(TP+FP+FN)

同理可求出其他两类的IOU，平均一下就可以得到MIOU

#out是一个3*3矩阵
TP=out[0][0]
FN=out[0][1]+out[0][2]
FP=out[1][0]+out[2][0]
TN=out[1][1]+out[1][2]+out[2][1]+out[2][2]

iou_0=TP/(TP+FP+FN)
print(iou_0)
#输出比如说得到0.79014976