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

load('triangleSegmentationNetwork');

triangleImages набор данных имеет 100 тестовых изображений с метками основной истины. Задайте 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 хранится 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 по тестовому изображению.

imshow(labeloverlay(testImage,gtLabel))

Выполните семантическую сегментацию изображений.

predLabel = semanticseg(testImage,net);

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

confusionMatrix = segmentationConfusionMatrix(predLabel,gtLabel)

confusionMatrix = 2×2

    21     0
    64   939

Чтобы проверять точность матрицы беспорядка, отобразите предсказанные метки по тестовому изображению. Наложение соглашается со значениями в матрице беспорядка.

imshow(labeloverlay(testImage,predLabel))