图像分割的区域级评估指标

什么是图像分割？

图像分割是一种将图像分割成子组或片段（称为图像片段）的技术，通过对每个像素进行分类，确定其所属的对象。它有助于降低图像的复杂性并分析图像的片段。

分割是一个为像素分配标签以识别图像中对象元素的过程。它可以分为不同的类别，如语义分割和实例分割。对象检测是图像分割最常见的应用，它使用算法来查找图像，而不是处理整个图像。图像分割用于各种领域，如人脸识别、自动驾驶汽车（无人驾驶汽车）、图像分析等。

图像分割的工作原理

图像分割首先接收图像作为输入，然后分割图像后生成输出。图像分割的输出是包含不同类别元素及其所属像素的矩阵。

图像分割需要高水平和高质量的特征，这些特征使用各种聚类技术，如边缘和直方图。使用不同机器学习技术的图像分割需要模型训练，这可以提高识别图像特征的准确性和效率。分割图像最有效的方法是使用深度学习神经网络。

为图像分割构建的神经网络包含以下结构

• 编码器（Encoder）：它由一系列层组成，用于使用滤波器提取图像特征。图像分割的编码器也可用于类似的任务，如图像识别，利用先前的知识来提高准确性。
• 解码器（Decoder）：它由解码并将输入图像转换为表示输入片段和像素的分割矩阵的层组成。
• 连接（Connections）：它由长程神经网络连接组成，有助于识别用于增强模型准确性的特征。

图像分割有不同的技术

1. 基于边缘的分割
2. 基于阈值的分割
3. 基于聚类的分割
4. 分水岭分割
5. 基于区域的分割

使用神经网络训练图像分割模型后，我们必须对其进行评估并检查其效率。不同的评估指标来评估性能，包括准确率、精确率、IoU 等。让我们来理解图像分割的区域级评估指标。

图像分割的区域级评估

区域级分割是一种用于分割不同区域的各种图像的技术。它将图像划分为具有相似特征或特性的区域。分割图像的区域是由算法通过种子点定位的一组像素。一旦找到种子点，就可以通过添加、合并或收缩图像中的像素来创建更多区域。

这种区域级技术评估区域数量上的分割准确率。对多个分割图像进行基于区域的评估可以被视为它们相应区域之间的总差异数。

区域级评估用于评估算法的性能，将图像分割成各种区域和对象。它与其他评估指标不同，因为它通过关注分割区域而不是处理图像的单个部分来评估准确性。例如，像素级指标，关注图像的像素，在评估图像时难以处理，并且可能给出不准确的结果，因为评估最小的像素可能需要时间。

让我们来理解各种区域级评估指标。

1) 区域精确率和召回率

• 精确率（Precision）：区域精确率定义为预测区域中真正预测的像素的比例。高精确率表示预测区域中的假阳性较少，这意味着模型检测到的不存在的区域较少。
• 召回率（Recall）：区域召回率定义为地面真实区域内真正分割的像素的比例。高召回率表示模型已将大部分区域检测为真阳性。

2) 区域交并比（Region IoU）

区域交并比或 IoU 定义为分割区域与其对应的地面真实区域之间的面积。它可以计算为预测区域和地面真实区域之间重叠面积与并集面积之比。

3) 混淆矩阵

区域级混淆矩阵创建了一个 N x N 的矩阵，其中 N 是要预测或分割的区域数量。

它包含四个最重要的术语

• 真阳性（True Positive）：模型预测图像中存在的区域（正确预测的区域）。
• 假阳性（False Positive）：模型预测图像中不存在的区域。
• 假阴性（False Negative）：表示模型无法预测图像中存在的区域。
• 真阴性（True Negative）：它包含不存在的未预测区域。

4) 区域 F1 分数

它被称为区域级别的精确率和召回率的平均变化率。它用于确定图像分割模型的精确度。

5) 区域 Rand 指数

它也被称为准确率得分，描述了正确预测的区域数量（包括真阳性和真阴性），除以预测的总数。

它可以定义为

6) 区域 Dice 系数

它定义了分割区域和地面真实区域之间的重叠程度。较高的区域 Dice 系数会产生较高的准确率。

7) 平均绝对误差

它可以定义为预测区域和地面真实区域中像素之间的平均绝对差。它用于计算分割图像像素中的误差。但是，它无法告知误差的原因或方向，例如是低估还是高估。平均绝对误差可以计算为

8) 均方根误差

它可以计算为预测区域和地面真实区域中像素的平方差的平均值的平方根。它计算分割图像中误差的总 extent，从而导致较大的预测误差。它可以计算为