主要内容

骰子

用于图像分割的Sørensen-Dice相似系数

折叠所有页面

语法

相似度=骰子(BW1 BW2)
相似度=骰子(L1, L2)
相似度=骰子(C1, C2)

描述

例子

相似=骰子(BW1，BW2）计算二值图像之间的Sørensen-Dice相似系数BW1和BW2．

例子

相似=骰子(L1，L2）计算标签图像中每个标签的Dice索引L1和L2．

相似=骰子(C1，C2）计算分类图像中每个类别的Dice索引C1和C2．

例子

全部折叠

打开生活的脚本

读取带有要分割的对象的图像。将图像转换为灰度，并显示结果。

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

图中包含一个轴对象。标题为“Original Image”的axis对象包含一个类型为Image的对象。

使用活动轮廓(蛇)分割手。

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

读在地面真理分割。

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

根据地面真实值计算活动轮廓分割的Dice指数。

相似=骰子(BW, BW_groundTruth);

把面具一个接一个地展示出来。颜色表示面具的不同。

figure imshowpair(BW, BW_groundTruth) title(['骰子索引= 'num2str(相似性)))

图中包含一个轴对象。标题为Dice Index = 0.83828的axes对象包含一个类型为image的对象。

打开生活的脚本

这个例子展示了如何将图像分割成多个区域。然后该示例计算每个区域的Dice相似系数。

读取带有几个区域要分割的图像。

RGB = imread (“yellowlily.jpg”）;

为三个区域创建涂鸦，以区分它们的典型颜色特征。第一个地区对黄花进行了分类。第二个区域是绿色茎和叶的分类区。最后一个区域将棕色污垢分类为图像的两个独立斑块。区域由一个4元素向量指定，其中的元素表示ROI左上角的x坐标和y坐标、ROI的宽度和ROI的高度。

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;

在图像的顶部显示种子区域。

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

图中包含一个轴对象。标题为Seed Regions的axis对象包含7个类型为line, image的对象。

采用基于测地线距离的颜色分割方法将图像分割为三个区域。

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

加载图像的地面真值分割。

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

将分割结果与ground truth进行视觉对比。

图蒙太奇({label2rgb (L), label2rgb (L_groundTruth)})标题(“分割结果的比较(左)和地面真相(右)”）

图中包含一个轴对象。标题为“分割结果比较(左)”和“地面真相(右)”的轴对象包含类型为image的对象。

计算每个分割区域的Dice相似度指数。第二个区域的Dice相似性指数明显较小。这个结果与分割结果的视觉对比是一致的，分割结果将图像右下角的污垢错误地分类为叶子。

骰子(L, L_groundTruth)
相似度=3×10.9396 0.7247 0.9139

输入参数

全部折叠

第一个二进制映像，指定为任意维度的逻辑数组。

数据类型:逻辑

第二个二进制映像，指定为与之大小相同的逻辑数组BW1．

数据类型:逻辑

第一个标号图像，指定为任意维的非负整数数组。

数据类型:双

第二个标号图像，指定为大小相同的非负整数数组L1．

数据类型:双

第一个分类图像，指定为分类任意维数的数组。

数据类型:类别

第二类图像，指定为分类大小相同的数组C1．

数据类型:类别

输出参数

全部折叠

骰子相似系数，返回为数值标量或数值向量，其值范围为[0,1]。一个相似为1表示两幅图像的分割是完全匹配的。如果输入数组是:

  • 二进制图像,相似是一个标量。

  • 标签的图片,相似是一个向量，其中第一个系数是标签1的Dice索引，第二个系数是标签2的Dice索引，以此类推。

  • 分类图片,相似是一个向量，其中第一个系数是第一个类别的Dice索引，第二个系数是第二个类别的Dice索引，以此类推。

数据类型:双

更多关于

全部折叠

骰子相似系数

两组骰子的相似系数一个和B表示为:

骰子（一个，B) = 2 * |十字路口（一个，B) | / (|一个| + |B|)

在|一个|表示集合的基数一个．Dice指数也可以用真阳性表示(TP)、假阳性(《外交政策》)及假阴性(FN):

骰子（一个，B) = 2 *TP/ (2 *)TP+《外交政策》+FN）

Dice指数与Jaccard指数的关系如下:

骰子（一个，B) = 2 *jaccard（一个，B) / (1 +jaccard（一个，B） )

另请参阅

|

介绍了R2017b

图像处理工具箱文档

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