图像分割评价指标：Dice和MIoU

目录

Dice

理论

Dice用来衡量预测结果pred和标签label的相似度，公式如下图所示，即两个集合的交集/并集。

注意：对于多分类的分割任务，网络的输出结果是多通道的，使用Dice计算准确度需要将标签转换为多通道的one_hot形式。

代码

defdice_acc(predict, label):"""
        计算多个batch的dicc
        @param predict: 模型预测值，Shape:[B, C, W, H]
        @param label: one_hot形式的标签，Shape:[B, C, W, H]
    """
    batch_num, class_num = predict.shape[0:2]assert predict.size()== label.size(),"the size of predict and target must be equal."# 计算交集
    intersection =(predict * label).reshape((batch_num, class_num,-1)).sum(dim=2)# 计算并集
    union =(predict + label).reshape((batch_num, class_num,-1)).sum(dim=2)
    
    dice =(2.* intersection +1)/(union +1)

    dice = dice.mean()# loss = 1 - dicereturn dice

• 如果需要计算dice loss，只需要 1- dice_acc即可。
• 可以借助torch.nn.functional.one_hot()函数将标签转化为one_hot形式。
• 以上代码传入的predict和label都是tensor，需要调用dice.item()只返回数值。

MIou

理论

为了计算MIoU，我们需要先引入混淆矩阵的概念。所谓混淆矩阵，就是真实结果和预测结果所组成的矩阵，将整个结果集划分为

TP

，

TN

，

FP

，

FN

四类。

• TP：True Positive 真正的正类，即label是正标签，predict也是正标签。
• FN：False Negative 假的负类，即label是正标签，predict却预测是负标签。
• FP：False Positive 假的正类，即label是负标签，predict却预测是正标签。
• TN：True Negative 真正的负类，即label是负标签，predict也是负标签。

有了混淆矩阵后，我们可以在此基础上计算各种评价指标：

查准率 precison

查全率 recall

MIoU 平均交并比

上面的公式对应到混淆矩阵A上为

A(i, i) / A(i, : ) + A(:, j) - A(i, j)

，即

对角线元素比上(对角线元素所在行和列的元素和 - 对角线元素)

。

注意：为了计算

MIoU

，我们需要把多通道的预测结果通过

torch.argmax()

函数转化为

单通道的预测类别

，然后和

单通道的label

计算交并比。

代码

为了计算MIoU，这里提供两种方式，一种是比较高效的矩阵运算，另一种是常规的好理解的但效率不高的方式，两者都可以用。

高效的矩阵运算

defmiou(predict, label, class_num=3):"""
        计算多个batch的moiu
        @param predict: 模型预测值，Shape:[B, W, H]
        @param label: 标签，Shape:[B, W, H]
    """
    batch = label.shape[0]

    predict, label = predict.flatten(), label.flatten()# 忽略背景的话就 >0
    k =(predict >=0)&(predict < class_num)# 计算混淆矩阵
    hist = torch.bincount(class_num * predict[k].type(torch.int32)+ label[k], minlength=batch *(class_num **2)).reshape(batch, class_num, class_num)# 将多个batch合并为一个，如果传入的参数没有batch这个维度，可以注释掉这句话
    hist = hist.sum(0)# 计算各个类的iou
    miou = torch.diag(hist)/ torch.maximum((hist.sum(1)+ hist.sum(0)- torch.diag(hist)), torch.tensor(1))# 计算平均值mioureturn miou.mean()

低效的好理解的

defIOU(pred, target, n_classes =3):"""
        计算miou
        @param predict: 模型预测值，Shape:[W, H]
        @param label: 标签，Shape:[W, H]
    """
    ious =[]# 从1开始，即忽略背景# 依次计算每个类for cls inrange(1, n_classes):
        pred_inds = pred == cls
        target_inds = target == cls

        # 计算两个集合在该类上的交集
        intersection =(pred_inds[target_inds]).sum()# 计算并集
        union = pred_inds.sum()+ target_inds.sum()- intersection

        if union ==0:
            ious.append(float('nan'))# If there is no ground truth，do not include in evaluationelse:
            ious.append(float(intersection.item())/float(max(union.item(),1)))# 计算多类的平均值 return torch.mean(torch.tensor(ious))

注意，这种的传入的参数是二维的，不能有batch维度。

计算混淆矩阵

这里提供一个计算混淆矩阵的快速实现，但很低效，仅供看看，实际还是要用上面

torch.bincount

计算混淆矩阵快。

# TP predict 和 label 同时为1
TP =((pred1 ==1)&(label ==1)).cpu().sum()# TN    predict 和 label 同时为0
TN =((pred1 ==0)&(label ==0)).cpu().sum()# FN    predict 0 label 1
FN =((pred1 ==0)&(label ==1)).cpu().sum()# FP    predict 1 label 0
FP =((pred1 ==1)&(label ==0)).cpu().sum()

Dice和MIoU两者的关系

对于二分类的任务来说，二者思想都是

交集/并集

，但

dice

并不是在分母上减去交集，而是

将交集在分子上算了两次

。

对于多分类来说，

Dice

是将预测结果转为了

多通道

，而

MIoU

只在

一个通道

上计算。

参考链接

https://www.jianshu.com/p/42939bf83b8a
https://blog.csdn.net/Pierce_KK/article/details/96505691
https://blog.csdn.net/lipengfei0427/article/details/109556985