Оценка соответствия контуров для сегментации изображения
score = bfscore(prediction,groundTruth)prediction и истинная сегментация в groundTruth. prediction и groundTruth может быть парой логических массивов для двоичной сегментации или парой меток или категориальных массивов для многоклассовой сегментации.
[ также возвращает значения точности и отзыва для score,precision,recall] = bfscore(prediction,groundTruth)prediction изображение по сравнению с groundTruth изображение.
[___] = bfscore( вычисляет оценку BF, используя указанный порог в качестве допуска ошибки расстояния, чтобы решить, имеет ли граничная точка совпадение или нет.prediction,groundTruth,threshold)
Считывание изображения с объектом в сегмент. Преобразуйте изображение в градации серого и отобразите результат.
A = imread('hands1.jpg'); I = im2gray(A); figure imshow(I) title('Original Image')
Используйте метод активных контуров (змей) для сегментации руки.
mask = false(size(I)); mask(25:end-25,25:end-25) = true; BW = activecontour(I, mask, 300);
Прочитайте сегментацию истины.
BW_groundTruth = imread('hands1-mask.png');Вычислите оценку BF сегментации активных контуров на основании истины.
similarity = bfscore(BW, BW_groundTruth);
Отображение масок 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. Затем в примере вычисляется балл BF для каждой области.
Считывание изображения с несколькими областями для сегментации.
RGB = imread('yellowlily.jpg');Создайте писанки для трех областей, отличающих их типичные цветовые характеристики. Первая область классифицирует жёлтый цветок. Вторая область классифицирует зелёный стебель и листья. Последний регион классифицирует коричневую грязь по двум отдельным пятнам изображения. Области задаются 4-элементным вектором, элементы которого обозначают координату x и y верхнего левого угла ROI, ширину ROI и высоту 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;Отображение начальных областей поверх 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 цветовой сегментации на основе геодезических расстояний.
L = imseggeodesic(RGB,BW1,BW2,BW3,'AdaptiveChannelWeighting',true);Загрузите сегментацию истинности на земле изображения.
L_groundTruth = double(imread('yellowlily-segmented.png'));Визуально сравните результаты сегментации с основной истинностью.
figure imshowpair(label2rgb(L),label2rgb(L_groundTruth),'montage') title('Comparison of Segmentation Results (Left) and Ground Truth (Right)')
Вычислите балл BF для каждой сегментированной области.
similarity = bfscore(L, L_groundTruth)
similarity = 3×1
0.7992
0.5333
0.7466
Показатель BF заметно меньше для второго региона. Этот результат согласуется с визуальным сравнением результатов сегментации, которая ошибочно классифицирует грязь в правом нижнем углу изображения как листья.
[1] Сюрка, Г., Д. Ларлус и Ф. Перроннин. «Что является хорошей оценочной мерой для семантической сегментации?» Материалы Британской конференции машинного видения, 2013 год, стр. 32.1-32.11.