Счет соответствия контура для сегментации изображения
score = bfscore(prediction,groundTruth)prediction и истинную сегментацию 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 счет BF, используя заданный порог в качестве допуска ошибки расстояния, чтобы решить, соответствует ли граничная точка или нет.prediction,groundTruth,threshold)
Чтение изображения с объектом в сегмент. Преобразуйте изображение в полутоновое и отобразите результат.
A = imread('hands1.jpg'); I = im2gray(A); figure imshow(I) title('Original Image')
Используйте метод активных контуров (змей), чтобы сегментировать руку.
mask = false(size(I)); mask(25:end-25,25:end-25) = true; BW = activecontour(I, mask, 300);
Прочтите основную истину.
BW_groundTruth = imread('hands1-mask.png');Вычислите счет BF сегментации активных контуров по основной истине.
similarity = bfscore(BW, BW_groundTruth);
Отобразите маски друг на верхнюю часть. Цвета указывают на различия в масках.
figure
imshowpair(BW, BW_groundTruth)
title(['BF Score = ' num2str(similarity)])
В этом примере показано, как сегментировать изображение в несколько областей. Затем пример вычисляет счет BF для каждой области.
Чтение изображения с несколькими областями в сегмент.
RGB = imread('yellowlily.jpg');Создайте строчки для трех областей, которые различают их типичные цветовые характеристики. Первая область классифицирует жёлтый цветок. Вторая область классифицирует зелёный стебель и листья. Последняя область классифицирует коричневую грязь в две отдельные закрашенные фигуры изображения. Области заданы вектором с 4 элементами, элементы которого указывают координаты x - и y - верхнего левого угла информация только для чтения, ширину информация только для чтения и высоту информация только для чтения.
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 начальные области поверх изображения.
figure imshow(RGB) hold on visboundaries(BW1,'Color','r'); visboundaries(BW2,'Color','g'); visboundaries(BW3,'Color','b'); title('Seed regions')
Сегментируйте изображение в три области с помощью геодезической сегментации цвета на основе расстояния.
L = imseggeodesic(RGB,BW1,BW2,BW3,'AdaptiveChannelWeighting',true);Загрузите основную истину сегментацию 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 для 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 согласуется с визуальным сравнением результатов сегментации, которое ошибочно классифицирует грязь в правом нижнем углу изображения как листья.
[1] Csurka, G., D. Larlus, and F. Perronnin. «Какова хорошая мера оценки для семантической сегментации?» Материалы конференции British Machine Vision Conference, 2013, pp. 32.1-32.11.