主要内容

segmentationConfusionMatrix

多级像素级图像分割的混淆矩阵

折叠所有页面

语法

confusionmatrix = semonationconfusionmatrix（lpred，ltruth）

描述

例子

confusionMatrix= semmentationConfusionMatrix（lpr，ltruth.）从预测的像素标签计算混淆矩阵lpr和ground truth像素标签ltruth.．

例子

全部折叠

打开直播脚本

加载一个预先训练的网络，根据背景对三角形进行二值分割。

负载(“triangleSegmentationNetwork”）;

的三角形数据集有100张带有地面真值标签的测试图像。定义数据集的位置。

dataSetDir = fullfile (toolboxdir (“愿景”)，“visiondata”，'triangleimages'）;

得到一个测试图像。

testImage = imread (fullfile (dataSetDir'testimages'，“image_001.jpg”））;

得到相应的ground truth标签。标签图像存储为数字图像，因此将ground truth标签转换为分类图像。

gtLabel = imread (fullfile (dataSetDir“testLabels”，“labeled_image_001.png”））;ClassNames = [“三角形”，“背景”];labelids = [255 0];gtlabel =分类（gtlabel，labelids，classnames）;

在测试图像上显示地面真实标签。

imshow (labeloverlay (testImage, gtLabel))

图中包含一个坐标轴。轴包含一个image类型的对象。

执行语义图像分割。

predLabel = semanticseg (testImage,净);

得到预测标签和地面真实标签的混淆矩阵。混淆矩阵显示了正确划分21个像素为三角形，939个像素为背景的分割。混淆矩阵也表明分割将64个背景像素错分类为三角形。没有三角形像素被误分类为背景。

confusionMatrix = segmentationConfusionMatrix (predLabel gtLabel)
confusionMatrix =2×221 0 64 939

要检查混淆矩阵的准确性，请在测试图像上显示预测标签。叠加层与混乱矩阵中的值同意。

imshow (labeloverlay (testImage, predLabel))

图中包含一个坐标轴。轴包含一个image类型的对象。

输入参数

全部折叠

经过语义分割后的预测像素标签，指定为二维标签图像或三维标签图像。

数据类型:双|逻辑|分类

Ground truth像素标签，指定为与预测像素标签大小相同的二维标签图像或三维标签图像，lpr．

数据类型:双|逻辑|分类

输出参数

全部折叠

为分段图像中的类的混淆矩阵，作为a返回C——- - - - - -C数字矩阵，其中C是语义细分中的类数。元素 （我，j）是已知属于类的像素的数量我但被预言属于阶级j．

提示

  • 可以使用混淆矩阵计算语义分割指标，如Jaccard得分和分类精度evaluateSemanticSegmentation函数。

  • 您可以在基于块的图像处理工作流中使用此函数，例如bigimage．例如，可以在同一个调用中执行语义分割并计算块的混淆矩阵应用函数。

另请参阅

|||||(深度学习工具箱)

主题

介绍了R2020b

计算机视觉工具箱文档

金宝app

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书