Коэффициент подобия Jaccard для сегментации изображений
вычисляет пересечение бинарных изображений similarity
= jaccard(BW1
,BW2
)BW1
и BW2
разделенный на объединение BW1
и BW2
, также известный как индекс Jaccard. Изображения могут быть бинарными изображениями, изображениями метки или категориальными изображениями.
вычисляет индекс Jaccard для каждой метки в изображениях метки similarity
= jaccard(L1
,L2
)L1
и L2
.
вычисляет индекс Jaccard для каждой категории в категориальных изображениях similarity
= jaccard(C1
,C2
)C1
и C2
.
Считайте изображение, содержащее объект сегментироваться. Преобразуйте изображение в шкалу полутонов и отобразите результат.
A = imread('hands1.jpg'); I = im2gray(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);
Читайте в основной истине, с которой можно сравнить сегментацию.
BW_groundTruth = imread('hands1-mask.png');
Вычислите индекс Jaccard этой сегментации.
similarity = jaccard(BW, BW_groundTruth);
Отобразите маски друг на друге. Цвета указывают на различия в масках.
figure
imshowpair(BW, BW_groundTruth)
title(['Jaccard Index = ' num2str(similarity)])
В этом примере показано, как сегментировать изображение на несколько областей. Пример затем вычисляет коэффициент подобия Jaccard для каждой области.
Читайте в изображении 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 индекс подобия Jaccard (IoU) для каждой сегментированной области.
similarity = jaccard(L, L_groundTruth)
similarity = 3×1
0.8861
0.5683
0.8414
Индекс подобия Jaccard заметно меньше для второй области. Этот результат сопоставим с визуальным сравнением результатов сегментации, которое ошибочно классифицирует грязь на правый нижний угол изображения как листы.
BW1
— Первое бинарное изображениеПервое бинарное изображение в виде логического массива любой размерности.
Типы данных: логический
BW2
— Второе бинарное изображениеВторое бинарное изображение в виде логического массива одного размера с BW1
.
Типы данных: логический
L1
— Сначала пометьте изображениеСначала пометьте изображение в виде массива неотрицательных целых чисел любой размерности.
Типы данных: double
L2
— Второе изображение меткиВторое изображение метки в виде массива неотрицательных целых чисел, одного размера с L1
.
Типы данных: double
C1
— Сначала категориальное изображениеcategorical
массивСначала категориальное изображение в виде a categorical
массив любой размерности.
Типы данных: category
C2
— Второе категориальное изображениеcategorical
массивВторое категориальное изображение в виде a categorical
массив одного размера с C1
.
Типы данных: category
similarity
— Коэффициент подобия JaccardКоэффициент подобия Jaccard, возвращенный в виде числа или числового вектора со значениями в области значений [0, 1]. similarity
из 1 среднего значения, что сегментации в двух изображениях являются идеальной парой. Если входные массивы:
бинарные изображения, similarity
скаляр.
пометьте изображения, similarity
вектор, где первый коэффициент является индексом Jaccard для, маркируют 1, второй коэффициент является индексом Jaccard для, маркируют 2, и так далее.
категориальные изображения, similarity
вектор, где первый коэффициент является индексом Jaccard для первой категории, второй коэффициент является индексом Jaccard для второй категории и так далее.
Типы данных: double
Коэффициент подобия Jaccard двух наборов A и B (также известный как пересечение по объединению или IoU) описывается как:
jaccard
(A, B) = | intersection
(A, B) | / | union
(A, B) |
где |A | представляет кардинала набора A. Индекс Jaccard может также быть описан в терминах истинных положительных сторон (TP), ложные положительные стороны (FP) и ложные отрицательные стороны (FN) как:
jaccard
(A, B) = TP / (TP + FP + FN)
Индекс Jaccard связан с индексом Dice согласно:
jaccard
(A, B) = dice
(A, B) / (2 - dice
A, B
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.