Загрузите предварительно подготовленную сеть, которая выполняет двоичную сегментацию треугольников на фоне.

load('triangleSegmentationNetwork');

triangleImages набор данных содержит 100 тестовых изображений с метками истинности земли. Определите местоположение набора данных.

dataSetDir = fullfile(toolboxdir('vision'),'visiondata','triangleImages');

Получите одно тестовое изображение.

testImage = imread(fullfile(dataSetDir,'testImages','image_001.jpg'));

Получите соответствующую метку истинности земли. Изображение метки хранится как числовое изображение, поэтому преобразуйте метку истинности основания в категориальное изображение.

gtLabel = imread(fullfile(dataSetDir,'testLabels','labeled_image_001.png'));
classNames = ["triangle","background"];
labelIDs   = [255 0];
gtLabel = categorical(gtLabel,labelIDs,classNames);

Отображение меток истинности земли поверх тестового изображения.

imshow(labeloverlay(testImage,gtLabel))

Выполнение сегментации семантического изображения.

predLabel = semanticseg(testImage,net);

Получите матрицу путаницы прогнозируемых меток и меток истинности грунта. Матрица путаницы показывает, что сегментация правильно классифицирована 21 пиксель как треугольник и 939 пикселей как фон. Матрица путаницы также показывает, что сегментация неправильно классифицировала 64 фоновых пикселя как треугольник. Ни один треугольный пиксель не классифицируется как фон.

confusionMatrix = segmentationConfusionMatrix(predLabel,gtLabel)

confusionMatrix = 2×2

    21     0
    64   939

Чтобы проверить точность матрицы путаницы, отобразите прогнозируемые метки поверх тестового изображения. Наложение согласуется со значениями в матрице путаницы.

imshow(labeloverlay(testImage,predLabel))