主要内容

bfscore

对图像分割轮廓匹配分数

所有的页面崩溃

语法

groundTruth得分= bfscore(预测)
(得分、精密,召回)= bfscore(预测,groundTruth)
(___]= bfscore(预测、groundTruth阈值)

描述

例子

分数= bfscore (预测,groundTruth)计算高炉(F1)边界轮廓匹配分数预测之间的分割预测和真正的分割groundTruth。预测和groundTruth可以一对逻辑阵列的二元分割,或者一对标签分类数组多级细分。

(分数,精度,回忆)= bfscore (预测,groundTruth)还返回精度和召回的值预测图像相比groundTruth的形象。

(___)= bfscore (预测,groundTruth,阈值)得分计算高炉使用指定的阈值作为距离误差公差,决定是否一个边界点匹配。

例子

全部折叠

打开生活的脚本

读一个图像与一个对象。将图像转换为灰度图,显示结果。

一个= imread (“hands1.jpg”);I = im2gray(一个);图imshow(我)标题(原始图像的)

图包含一个坐标轴对象。标题为原始图像的坐标轴对象包含一个类型的对象的形象。

使用主动轮廓(蛇)方法部分。

掩码= false(大小(I));面具(25:end-25 25: end-25) = true;BW = activecontour(面具,300);

读地面真理分割。

BW_groundTruth = imread (“hands1-mask.png”);

计算高炉的活动轮廓分割对地面真理。

相似度= bfscore (BW, BW_groundTruth);

显示对方的面具上。颜色显示不同的面具。

BW_groundTruth图imshowpair (BW)标题([“男朋友得分= 'num2str(相似性)))

图包含一个坐标轴对象。坐标轴对象与标题BF得分= 0.76266包含一个类型的对象的形象。

打开生活的脚本

这个例子展示了如何一个图像划分为多个区域。例子然后计算高炉得分为每个地区。

读一个图像与几个地区。

RGB = imread (“yellowlily.jpg”);

为三个区域,创建涂鸦区分典型的颜色特征。第一个区域分类黄色花。第二个区域分类绿色的茎和叶。最后一个地区分类的棕色土两个单独的补丁的形象。第4单元区域指定的向量的元素显示左上角的x和y坐标的ROI, ROI的宽度和高度的ROI。

region1 = (350 700 425 120);% (x y w h)格式BW1 = false(大小(RGB, 1),大小(RGB, 2));BW1 (region1 (2): region1 region1 (2) + (4), region1 (1): region1 (1) + region1 (3)) = true;region2 = (800 1124 120 230);BW2 = false(大小(RGB, 1),大小(RGB, 2));BW2 (region2 (2): region2 region2 (2) + (4), region2 (1): region2 (1) + region2 (3)) = true;region3 = [20 1320 480 200;1010 290 180 240);BW3 = false(大小(RGB, 1),大小(RGB, 2));BW3 (region3 (1、2): region3 (1、2) + region3 (1、4), region3 (1,1): region3 (1,1) + region3 (1、3)) = true;BW3 (region3 (2, 2): region3 (2, 2) + region3 (2、4), region3 (2, 1): region3 (2, 1) + region3 (2、3)) = true;

显示种子区域的图像。

图imshow (RGB)在visboundaries (BW1“颜色”,“r”);visboundaries (BW2“颜色”,‘g’);visboundaries (BW3“颜色”,“b”);标题(“种子区域”)

图包含一个坐标轴对象。坐标轴对象与标题种子区域包含7线类型的对象,形象。

图像分割成三个区域使用测地线基于距离的颜色分割。

L = imseggeodesic (RGB, BW1、BW2 BW3,“AdaptiveChannelWeighting”,真正的);

加载一个地面实况图像的分割。

L_groundTruth =双(imread (“yellowlily-segmented.png”));

视觉上比较分割结果与地面真理。

图imshowpair (label2rgb (L), label2rgb (L_groundTruth),“蒙太奇”)标题(分割结果的对比(左)(右)和地面真理”)

图包含一个坐标轴对象。坐标轴对象与标题分割结果的对比(左)和地面真理(右)包含一个类型的对象的形象。

计算每个分割区域的BF得分。

相似度= bfscore (L, L_groundTruth)
相似度=3×10.7992 0.5333 0.7466

男朋友分数明显小的第二区域。这个结果是一致的视觉比较分割结果,而错误的分类图像的污垢在右下角,叶子。

输入参数

全部折叠

预测分割,指定为一个二维或三维的逻辑,数字,或分类数组中。如果预测是一个数值数组,然后它代表一个标签数组和必须包含非负整数数据类型双。

数据类型:逻辑|双|分类

地面实况分割,指定为一个二维或三维的逻辑,数字,或分类相同的大小和数据类型的数组预测。如果groundTruth是一个数值数组,然后它代表一个标签数组和必须包含非负整数数据类型双。

数据类型:逻辑|双|分类

距离误差容忍阈值的像素,指定为一个积极的标量。阈值决定是否一个边界点匹配。如果阈值没有指定,那么默认值是图像对角线的长度的0.75%。

例子:3

数据类型:双

输出参数

全部折叠

男朋友得分,作为数字返回标量或矢量值区间[0,1]。一个分数1意味着对象的轮廓在相应的类中预测和groundTruth是一个完美的匹配。如果输入数组:

  • 逻辑阵列,分数是一个标量,代表了BF得分的前景。

  • 标签或分类数组,分数是一个向量。第一个系数分数是男朋友得分第一前台类,第二个系数是得分第二前台类,等等。

精密,作为数字返回标量或数值向量中的值区间[0,1]。每个元素表示的精度在相应的前台类对象轮廓。

精度点的数量的比例是预测的边界分割是足够接近地面实况的边界分割预测边界的长度。换句话说,精度检测的分数真阳性而不是假阳性。

记得,作为数字返回标量或数字矢量值区间[0,1]。每个元素表示召回相应的前台类的对象轮廓。

回忆点的数量的比例是地面实况的边界分割是足够接近预测的边界分割地面实况边界的长度。换句话说,回忆是真实的分数检测到阳性,而不是错过。

更多关于

全部折叠

男朋友(边界F1)得分

男朋友分数衡量关闭预测对象的边界匹配的地面真实边界。

男朋友分数被定义为谐波均值(F1-measure)精度和回忆值和距离误差公差决定是否预测边界上的点有一个比赛在地上真实边界。

分数= 2 *精度*回忆/ (回忆+精度)

引用

[1]Csurka G。,D. Larlus, and F. Perronnin. "What is a good evaluation measure for semantic segmentation?"《英国机器视觉会议,2013年,页,32.1 - -32.11。

扩展功能

版本历史

介绍了R2017b

全部展开

另请参阅

|