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

load('triangleSegmentationNetwork');

The triangleImages набор данных имеет 100 тестовых изображений с основной истиной метками. 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 основной истины. Изображение метки сохранено как числовое изображение, поэтому преобразуйте метку основной истины в категориальное изображение.

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

Отобразите метки основной истины над тестовым изображением.

imshow(labeloverlay(testImage,gtLabel))

Выполните семантическую сегментацию изображения.

predLabel = semanticseg(testImage,net);

Получите матрицу неточностей предсказанных меток и основной истины меток. Матрица неточностей показывает сегментацию, правильно классифицированную 21 пиксель как треугольник и 939 пикселей как фон. Матрица неточностей также показывает, что сегментация неправильно классифицировала 64 пикселя фона как треугольник. Никакие треугольные пиксели не классифицируются как фон.

confusionMatrix = segmentationConfusionMatrix(predLabel,gtLabel)

confusionMatrix = 2×2

    21     0
    64   939

Чтобы проверить точность матрицы неточностей, отобразите предсказанные метки над тестовым изображением. Наложение согласуется со значениями в матрице неточностей.

imshow(labeloverlay(testImage,predLabel))