Очертите соответствие со счетом к сегментации изображений
score = bfscore(prediction,groundTruth)prediction и истинная сегментация в groundTruthПредсказание и groundTruth может быть пара логических массивов для бинарной сегментации или пара метки или категориальных массивов для сегментации мультикласса.
[ также возвращает значения точности и отзыва для score,precision,recall] = bfscore(prediction,groundTruth)prediction отобразите по сравнению с groundTruth изображение.
[___] = bfscore( вычисляет счет BF с помощью заданного порога в качестве допуска ошибки по дальности, чтобы решить, имеет ли граничная точка соответствие или нет.prediction,groundTruth,threshold)
Считайте изображение с объектом сегментироваться. Преобразуйте изображение в шкалу полутонов и отобразите результат.
A = imread('hands1.jpg'); I = rgb2gray(A); figure imshow(I) title('Original Image')
Используйте активные контуры (змеи) метод, чтобы сегментировать руку.
mask = false(size(I)); mask(25:end-25,25:end-25) = true; BW = activecontour(I, mask, 300);
Считайте сегментацию основной истины.
BW_groundTruth = imread('hands1-mask.png');Вычислите счет BF активной сегментации контуров против основной истины.
similarity = bfscore(BW, BW_groundTruth);
Отобразите маски друг на друге. Цвета указывают на различия в масках.
figure
imshowpair(BW, BW_groundTruth)
title(['BF Score = ' num2str(similarity)])
В этом примере показано, как сегментировать изображение на несколько областей. Пример затем вычисляет счет BF к каждой области.
Считайте изображение с несколькими областями, чтобы сегментироваться.
RGB = imread('yellowlily.jpg');Создайте каракули для трех областей, которые отличают их типичные цветовые характеристики. Первая область классифицирует желтый цветок. Вторая область классифицирует зеленую основу и листы. Последняя область классифицирует коричневую грязь на две отдельных закрашенных фигуры изображения. Области заданы вектором с 4 элементами, элементы которого указывают на x-и y-координату левого верхнего угла ROI, ширины ROI и высоты ROI.
region1 = [350 700 425 120]; % [x y w h] format
BW1 = false(size(RGB,1),size(RGB,2));
BW1(region1(2):region1(2)+region1(4),region1(1):region1(1)+region1(3)) = true;
region2 = [800 1124 120 230];
BW2 = false(size(RGB,1),size(RGB,2));
BW2(region2(2):region2(2)+region2(4),region2(1):region2(1)+region2(3)) = true;
region3 = [20 1320 480 200; 1010 290 180 240];
BW3 = false(size(RGB,1),size(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;Отобразите области seed сверху изображения.
figure imshow(RGB) hold on visboundaries(BW1,'Color','r'); visboundaries(BW2,'Color','g'); visboundaries(BW3,'Color','b'); title('Seed regions')
Сегментируйте изображение на три области с помощью геодезической основанной на расстоянии цветной сегментации.
L = imseggeodesic(RGB,BW1,BW2,BW3,'AdaptiveChannelWeighting',true);Загрузите сегментацию основной истины изображения.
L_groundTruth = double(imread('yellowlily-segmented.png'));Визуально сравните результаты сегментации с основной истиной.
figure imshowpair(label2rgb(L),label2rgb(L_groundTruth),'montage') title('Comparison of Segmentation Results (Left) and Ground Truth (Right)')
Вычислите счет BF к каждой сегментированной области.
similarity = bfscore(L, L_groundTruth)
similarity = 3×1
0.7992
0.5333
0.7466
Счет BF заметно меньше для второй области. Этот результат сопоставим с визуальным сравнением результатов сегментации, которое ошибочно классифицирует грязь на правый нижний угол изображения как листы.
[1] Csurka, G., Д. Ларлус и Ф. Перроннин. "Что такое хорошая мера по оценке для семантической сегментации?" Продолжения британской Конференции по Машинному зрению, 2013, стр 32.1-32.11.