このページの翻訳は最新ではありません。ここをクリックして,英語の最新版を参照してください。
bfscore
イメージのセグメンテーションのための輪郭マッチングスコア
説明
分数= bfscore (预测，groundTruth）预测内の予測セグメンテーションとgroundTruth内のトゥルースセグメンテーションとの間のBF(边界F1)輪郭マッチングスコアを計算します。预测とgroundTruthは,バイナリセグメンテーションのための逻辑配列ペア,あるいはマルチクラスセグメンテーションのためのラベルまたは直言配列ペアの可能性があります。
［は,分数，精度，回忆) = bfscore (预测，groundTruth）groundTruthイメージと比較した预测イメージの精度値および再現率値も返します。
［＿＿＿) = bfscore (は,指定されたしきい値を距離許容誤差として使用してBFスコアを計算し,境界点が一致するかどうかを判定します。预测，groundTruth，阈值）
例
バイナリセグメンテーション用のBFスコアの計算
セグメント化するオブジェクトを含むイメージを読み取ります。イメージをグレースケールに変換し,結果を表示します。
一个= imread (“hands1.jpg”）;I = im2gray(一个);图imshow(我)标题(原始图像的）
動的輪郭(蛇)法を使用して手をセグメント化します。
掩码= false(大小(I));面具(25:end-25 25: end-25) = true;BW = activecontour(I, mask, 300);
グラウンドトゥルースセグメンテーションを読み取ります。
BW_groundTruth = imread (“hands1-mask.png”）;
動的輪郭セグメンテーションのBFスコアをグラウンドトゥルースと比較して計算します。
相似度= bfscore(BW, BW_groundTruth);
マスクを重ねて表示します。色はマスクの違いを示します。
figure imshowpair(BW, BW_groundTruth) title(['BF评分= 'num2str(相似性)))
多領域セグメンテーション用のBFスコアの計算
この例では,イメージを複数の領域にセグメント化する方法を説明します。その後,各領域のBFスコアを計算します。
セグメント化する複数の領域を含むイメージを読み取ります。
RGB = imread (“yellowlily.jpg”）;
典型的な色の特性を区別する3つの領域用にスクリブルを作成します。最初の領域には黄色の花が分類されます。2番目の領域には,緑色の茎および葉が分類されます。最後の領域には,茶色の土が2つのイメージのパッチに分かれて分類されます。領域は,要素がROIの左上隅のx座標とy座標,ROIの幅,およびROIの高さを示す4要素ベクトルで指定されます。
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;
イメージの上にシード領域を表示します。
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”）
測地線距離ベースの色のセグメンテーションを使用して,イメージを3領域にセグメント化します。
L = imseggeodesic (RGB, BW1、BW2 BW3,“AdaptiveChannelWeighting”,真正的);
イメージのグラウンドトゥルースセグメンテーションを読み込みます。
L_groundTruth =双(imread (“yellowlily-segmented.png”））;
セグメンテーションの結果をグラウンドトゥルースと視覚的に比較します。
图imshowpair (label2rgb (L), label2rgb (L_groundTruth),“蒙太奇”)标题(“分割结果的比较(左)和地面真相(右)”）
セグメント化された領域ごとにBFスコアを計算します。
相似度= bfscore(L, L_groundTruth)
相似度=3×10.7992 0.5333 0.7466
男朋友スコアは2番目の領域で顕著に小さくなります。この結果は,イメージの右下隅の土を葉として誤って分類するセグメンテーション結果の視覚的な比較と一致しています。
入力引数
出力引数
詳細
参照
G. Csurka, D. Larlus和F. Perronnin。"什么是一个好的语义分割评估方法"英国机器视觉会议论文集， 2013, pp. 32.1-32.11。
你也可以从以下列表中选择一个网站:
