主要内容

bfscore.

图像分割的轮廓匹配分数

页面上倒塌

句法

得分= Bfscore（预测，地面）
[得分，精确，召回] = Bfscore（预测，地面）
[___] = bfscore（预测，地面，阈值）

描述

例子

分数= bfscore（预言那地面）计算预测分段之间的BF（边界F1）轮廓匹配分数预言和真正的细分地面。预言和地面可以是二进制分割的一对逻辑阵列，或者是多种多组分段的一对标签或分类阵列。

[分数那精确那记起] = bfscore（预言那地面）还返回精度并召回值预言图像相比地面图像。

[___] = bfscore（预言那地面那临界点）使用指定的阈值计算BF分数作为距离误差容差，以确定边界点是否具有匹配。

例子

全部收缩

打开直播脚本

读取具有对象到段的图像。将图像转换为灰度，并显示结果。

a = imread（'hands1.jpg'）;我= im2gray（a）;图imshow（i）标题（'原始图像​​'）

图包含轴。具有标题原始图像的轴包含类型图像的对象。

使用活动轮廓（Snakes）方法分割手。

mask = false（大小（i））;面具（25：末端-25,25：end-25）=真实;BW = ActiveContour（i，mask，300）;

阅读地面真相细分。

bw_groundtruth = imread（'hands1 mask.png'）;

将主动轮廓分割的BF分数计算在地面真理上。

相似之处= Bfscore（BW，BW_groundtruth）;

在彼此顶部显示面罩。颜色表示面具的差异。

图imshowpair（bw，bw_groundtruth）标题（['bf得分='num2str（相似性）]）

图包含轴。标题BF得分= 0.76266的轴包含类型图像的对象。

打开直播脚本

此示例显示如何将图像分段为多个区域。然后，该示例计算每个区域的BF分数。

读取带有几个区域的图像到段。

rgb = imread（'YellowLily.jpg'）;

为三个区域创建涂鸦，以区分其典型颜色特征。第一个区域对黄色花进行分类。第二区域对绿茎和叶子进行分类。最后一个区域将棕色污垢分类为两个单独的图像斑块。区域由4元素向量指定，其元素表示ROI左上角的X和Y坐标，ROI的宽度和ROI的高度。

区域1 = [350 700 425 120];％[x y w h]格式bw1 = false（大小（RGB，1），大小（RGB，2））;BW1（区域1（2）：区1（2）+区1（4），区域1（1）：区1（1）+区1（3））=真;区域2 = [800 1124 120 230];BW2 =假（大小（RGB，1），尺寸（RGB，2））;BW2（区2（2）：区2（2）+区2（4），区2（1）：区2（1）+区2（3））=真;区域3 = [20 1320 480 200;1010 290 180 240];bw3 = false（大小（RGB，1），尺寸（RGB，2））;BW3（区域3（1,2）：区3（1,2）+区3（1,4），区3（1,1）：区3（1,1）+区3（1,3））=真;BW3（区域3（2,2）：区3（2,2）+区3（2,4），区3（2,1）：区3（2,1）+区3（2,3））=真;

在图像的顶部显示种子区域。

图imshow（RGB）持有在visboundaries（bw1，'颜色'那'r'）;visboundaries（bw2，'颜色'那'G'）;visboundaries（bw3，'颜色'那'B'）;标题（'种子地区'）

图包含轴。具有标题种子区域的轴包含7个类型线，图像的物体。

使用基于测地距的颜色分割将图像分段为三个区域。

L = Imseggeodesic（RGB，BW1，BW2，BW3，'AdaptiveChanneluighting'，真的）;

加载图像的地面真相分割。

l_groundtruth = double（imread（'YellowLily-semmented.png'））;

用地面真理在视觉上比较分割结果。

图imshowpair（label2rgb（l），label2rgb（l_groundtruth），'剪辑'） 标题（'分割结果（左）和地面真理（右）的比较）

图包含轴。具有分段结果（左）和地面真相（右）的标题比较的轴包含类型图像的对象。

计算每个分段区域的BF分数。

相似之处= bfscore（l，l_groundtruth）
相似之处=3×10.7992 0.5333 0.7466

BF分数对于第二区域明显较小。该结果与分割结果的视觉比较一致，这错误地将图像右下角的污垢分类为叶子。

输入参数

全部收缩

预测分段，指定为2-D或3-D逻辑，数字或分类大批。如果预言是一个数字数组，那么它表示标签数组，必须包含数据类型的非负整数双倍的。

数据类型：逻辑|双倍的|分类

地面真相分段，指定为2-D或3-D逻辑，数字或分类尺寸和数据类型的数组为预言。如果地面是一个数字数组，那么它表示标签数组，必须包含数据类型的非负整数双倍的。

数据类型：逻辑|双倍的|分类

像素中的距离误差容差阈值，指定为正标量。阈值确定边界点是否具有匹配。如果临界点未指定，然后默认值为图像对角线长度的0.75％。

例子：3.

数据类型：双倍的

输出参数

全部收缩

BF分数，作为数字标量或向量，其中值在范围内[0,1]。一种分数1表示相应课程中对象的轮廓预言和地面是一个完美的匹配。如果输入阵列是：

  • 逻辑阵列，分数是标量，代表前景的BF分数。

  • 标签或分类阵列，分数是矢量。第一个系数分数是第一个前景类的BF分数，第二系数是第二个前景类的分数，等等。

精度，作为数字标量或数字向量，其中值范围内的值[0,1]。每个元素都表示相应的前景类中的对象轮廓的精度。

精确是预测分割边界上的点数与接近地面真理分割的边界到预测边界的长度的比率。换句话说，精度是真正的阳性而不是误报的检测的分数。

召回，作为数字标量或数字向量，其中值在范围内[0,1]。每个元素都指示相应的前景类中的对象轮廓召回。

记起是接近地面真理分割边界上的点数的比率，其足够接近预测分段的边界到地面真理边界的长度。换句话说，召回是检测到的真实阳性的分数而不是错过。

更多关于

全部收缩

BF（边界F1）得分

BF分数测量对象的预测边界与地面真相边界的接近程度。

BF得分被定义为谐波平均值（F1测量）精确和记起具有距离误差容差的值来确定预测边界上的点是否具有地面真实边界上的匹配。

分数= 2 *精确*记起/（记起+精确）

参考

[1] Csurka，G.，D. larlus和F. perronnin。“语义细分的良好评估措施是什么？”英国机器愿景会议的诉讼程序，2013，pp。32.1-32.11。

也可以看看

|

在R2017B中介绍

图像处理工具箱文档

金宝app

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书