前言

在介紹個精度指標前我們先來明確以下幾個概念，對應的示意圖如下圖所示：TP(True Positive)：分類準確的正類，意思是預測結果為正類，實際上是正類。

FP(False Positive)：被錯分類為正類的負類，意思是實際為負類，但是卻被預測為正類。

TN(True Negative)：分類準確的負類，意思是預測結果為負類，實際上是負類。

FN(False Negative)：被錯分類為負類的正類，意思是實際為正類，但是卻被預測為負類。

精度指標

1 精確率

精確率(Precision)就是被準確分類為正類的樣本數與所有被分類為正類的樣本數之比，意味著預測結果是正類的樣本里具體有多少個樣本真的是正類，計算方法如下式所示：

2 召回率

召回率(Recall)就是被分為正類的樣本數與測試數據集中的實際正類的樣本數之比，意味著應該被分為正類的樣本中會有多少是被正確分類出來，如下式所示：

3 F1分數

我們希望精確率和召回率同時非常高。但實際上這兩個指標是一對矛盾體，無法做到雙高。如果想要找到二者之間的一個平衡點，我們就需要一個新的指標：F1分數(F1-Score)。F1分數同時考慮了查準率和查全率，讓二者同時達到最高，取一個平衡。

4 交并比

交并比(Intersection-over-Union, IoU)是指實際類別樣本和預測類別樣本的交集和并集之比，即分類準確的正類樣本數和分類準確的正類樣本數與被錯分類為負類的正類樣本數以及被錯分類為正類的負類之和的比值。

5 平均交并比

平均交并比(mean Intersection-over-Union, mIoU)是對每一類交并比求和平均的結果。

6 頻權交并比

頻權交并比(Frequency Weighted Intersection-over-Union, FWIoU)是根據每一類出現的頻率設置權重，權重乘以每一類的IoU并進行求和。

python實現

import numpy as np

import cv2

import os

"""混淆矩陣P\L P NP TP FPN FN TN"""

# 獲取顏色字典

# labelFolder 標簽文件夾,之所以遍歷文件夾是因為一張標簽可能不包含所有類別顏色

# classNum 類別總數(含背景)

def color_dict(labelFolder, classNum):

colorDict = []

# 獲取文件夾內的文件名

ImageNameList = os.listdir(labelFolder)

for i in range(len(ImageNameList)):

ImagePath = labelFolder + "/" + ImageNameList[i]

img = cv2.imread(ImagePath).astype(np.uint32)

# 如果是灰度，轉成RGB

if(len(img.shape) == 2):

img = cv2.cvtColor(img, cv2.COLOR_GRAY2RGB).astype(np.uint32)

# 為了提取唯一值，將RGB轉成一個數

img_new = img[:,:,0] * 1000000 + img[:,:,1] * 1000 + img[:,:,2]

unique = np.unique(img_new)

# 將第i個像素矩陣的唯一值添加到colorDict中

for j in range(unique.shape[0]):

colorDict.append(unique[j])

# 對目前i個像素矩陣里的唯一值再取唯一值

colorDict = sorted(set(colorDict))

# 若唯一值數目等于總類數(包括背景)ClassNum，停止遍歷剩余的圖像

if(len(colorDict) == classNum):

break

# 存儲顏色的BGR字典，用于預測時的渲染結果

colorDict_BGR = []

for k in range(len(colorDict)):

# 對沒有達到九位數字的結果進行左邊補零(eg:5,201,111->005,201,111)

color = str(colorDict[k]).rjust(9, '0')

# 前3位B,中3位G,后3位R

color_BGR = [int(color[0 : 3]), int(color[3 : 6]), int(color[6 : 9])]

colorDict_BGR.append(color_BGR)

# 轉為numpy格式

colorDict_BGR = np.array(colorDict_BGR)

# 存儲顏色的GRAY字典，用于預處理時的onehot編碼

colorDict_GRAY = colorDict_BGR.reshape((colorDict_BGR.shape[0], 1 ,colorDict_BGR.shape[1])).astype(np.uint8)

colorDict_GRAY = cv2.cvtColor(colorDict_GRAY, cv2.COLOR_BGR2GRAY)

return colorDict_BGR, colorDict_GRAY

def ConfusionMatrix(numClass, imgPredict, Label):

# 返回混淆矩陣

mask = (Label >= 0) & (Label < numClass)

label = numClass * Label[mask] + imgPredict[mask]

count = np.bincount(label, minlength = numClass**2)

confusionMatrix = count.reshape(numClass, numClass)

return confusionMatrix

def OverallAccuracy(confusionMatrix):

# 返回所有類的整體像素精度OA

# acc = (TP + TN) / (TP + TN + FP + TN)

OA = np.diag(confusionMatrix).sum() / confusionMatrix.sum()

return OA

def Precision(confusionMatrix):

# 返回所有類別的精確率precision

precision = np.diag(confusionMatrix) / confusionMatrix.sum(axis = 1)

return precision

def Recall(confusionMatrix):

# 返回所有類別的召回率recall

recall = np.diag(confusionMatrix) / confusionMatrix.sum(axis = 0)

return recall

def F1Score(confusionMatrix):

precision = np.diag(confusionMatrix) / confusionMatrix.sum(axis = 1)

recall = np.diag(confusionMatrix) / confusionMatrix.sum(axis = 0)

f1score = 2 * precision * recall / (precision + recall)

return f1score

def IntersectionOverUnion(confusionMatrix):

# 返回交并比IoU

intersection = np.diag(confusionMatrix)

union = np.sum(confusionMatrix, axis = 1) + np.sum(confusionMatrix, axis = 0) - np.diag(confusionMatrix)

IoU = intersection / union

return IoU

def MeanIntersectionOverUnion(confusionMatrix):

# 返回平均交并比mIoU

intersection = np.diag(confusionMatrix)

union = np.sum(confusionMatrix, axis = 1) + np.sum(confusionMatrix, axis = 0) - np.diag(confusionMatrix)

IoU = intersection / union

mIoU = np.nanmean(IoU)

return mIoU

def Frequency_Weighted_Intersection_over_Union(confusionMatrix):

# 返回頻權交并比FWIoU

freq = np.sum(confusionMatrix, axis=1) / np.sum(confusionMatrix)

iu = np.diag(confusionMatrix) / (

np.sum(confusionMatrix, axis = 1) +

np.sum(confusionMatrix, axis = 0) -

np.diag(confusionMatrix))

FWIoU = (freq[freq > 0] * iu[freq > 0]).sum()

return FWIoU

#################################################################

# 標簽圖像文件夾

LabelPath = r"Data\test\label1"

# 預測圖像文件夾

PredictPath = r"Data\test\predict1"

# 類別數目(包括背景)

classNum = 3

#################################################################

# 獲取類別顏色字典

colorDict_BGR, colorDict_GRAY = color_dict(LabelPath, classNum)

# 獲取文件夾內所有圖像

labelList = os.listdir(LabelPath)

PredictList = os.listdir(PredictPath)

# 讀取第一個圖像，后面要用到它的shape

Label0 = cv2.imread(LabelPath + "//" + labelList[0], 0)

# 圖像數目

label_num = len(labelList)

# 把所有圖像放在一個數組里

label_all = np.zeros((label_num, ) + Label0.shape, np.uint8)

predict_all = np.zeros((label_num, ) + Label0.shape, np.uint8)

for i in range(label_num):

Label = cv2.imread(LabelPath + "//" + labelList[i])

Label = cv2.cvtColor(Label, cv2.COLOR_BGR2GRAY)

label_all[i] = Label

Predict = cv2.imread(PredictPath + "//" + PredictList[i])

Predict = cv2.cvtColor(Predict, cv2.COLOR_BGR2GRAY)

predict_all[i] = Predict

# 把顏色映射為0,1,2,3...

for i in range(colorDict_GRAY.shape[0]):

label_all[label_all == colorDict_GRAY[i][0]] = i

predict_all[predict_all == colorDict_GRAY[i][0]] = i

# 拉直成一維

label_all = label_all.flatten()

predict_all = predict_all.flatten()

# 計算混淆矩陣及各精度參數

confusionMatrix = ConfusionMatrix(classNum, predict_all, label_all)

precision = Precision(confusionMatrix)

recall = Recall(confusionMatrix)

OA = OverallAccuracy(confusionMatrix)

IoU = IntersectionOverUnion(confusionMatrix)

FWIOU = Frequency_Weighted_Intersection_over_Union(confusionMatrix)

mIOU = MeanIntersectionOverUnion(confusionMatrix)

f1ccore = F1Score(confusionMatrix)

for i in range(colorDict_BGR.shape[0]):

# 輸出類別顏色,需要安裝webcolors,直接pip install webcolors

try:

import webcolors

rgb = colorDict_BGR[i]

rgb[0], rgb[2] = rgb[2], rgb[0]

print(webcolors.rgb_to_name(rgb), end = " ")

# 不安裝的話,輸出灰度值

except:

print(colorDict_GRAY[i][0], end = " ")

print("")

print("混淆矩陣:")

print(confusionMatrix)

print("精確度:")

print(precision)

print("召回率:")

print(recall)

print("F1-Score:")

print(f1ccore)

print("整體精度:")

print(OA)

print("IoU:")

print(IoU)

print("mIoU:")

print(mIOU)

print("FWIoU:")

print(FWIOU)labelpredict

輸出：

yellow fuchsia white

混淆矩陣:

[[ 59238 142 415]

[ 0 21221 168]

[ 725 1714 178521]]

精確度:

[0.99068484 0.9921455 0.98652188]

召回率:

[0.98790921 0.9195736 0.99674491]

F1-Score:

[0.98929508 0.95448208 0.99160705]

整體精度:

0.9879302978515625

IoU:

[0.97881692 0.91292751 0.98335381]

mIoU:

0.9583660791015158

FWIoU:

0.9765726814389497

后記

有問題歡迎留言評論，覺得不錯可以動動手指點個贊同&喜歡

參考https://github.com/jfzhang95/pytorch-deeplab-xception/blob/master/utils/metrics.py?github.com【語義分割】評價指標總結及代碼實現 - 極客分享?www.geek-share.com

總結

以上是生活随笔為你收集整理的图像语义分割python_遥感图像语义分割常用精度指标及其python实现(支持多类)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。