聊聊图像分割的DICE和IOU指标-Toy模板网

这篇具有很好参考价值的文章主要介绍了聊聊图像分割的DICE和IOU指标。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1. 介绍

2. dice 和 iou 的联系

3. 代码实现

3.1 dice

3.2 iou

3.3 test

3.4 dice 和 iou 的关系曲线

4. 代码

1. 介绍

dice 和 iou 都是衡量两个集合之间相似性的度量

dice计算公式：

聊聊图像分割的DICE和IOU指标

iou计算公式：

聊聊图像分割的DICE和IOU指标

iou的集合理解：

聊聊图像分割的DICE和IOU指标

文章来源地址https://www.toymoban.com/news/detail-446062.html

iou 其实就是两个区域的 overlap 部分和 union 部分的比值，也就是两个集合的交集 / 并集

dice 的分母不是并集，因为dice的分母是两个区域的和，A+B = A + B - A∩B，所以dice的分母其实是少减去了一个 A∩B，所以就让分子的 A∩B(交集) 扩大2倍

2. dice 和 iou 的联系

如果将两个集合间的关系划分的更细一点，即这种形式：

聊聊图像分割的DICE和IOU指标

那么 A∩B = TP ， A∪B = FN + TP + FP ，A+B = FN + TP +TP + FP

dice ：

聊聊图像分割的DICE和IOU指标

iou ：

聊聊图像分割的DICE和IOU指标

那么根据变形，可以得出：

聊聊图像分割的DICE和IOU指标

3. 代码实现

|A ∩ B| = A * B 的和 = 两个区域乘积的和

|A| + |B| = A + B 的和 = 两个区域相加的总和

|A∪B| = |A| + |B| - |A ∩ B| = 两个区域相交的总和 - 两个区域相乘的和

3.1 dice

dice 的实现

# Dice
def Dice(pred,true):
    intersection = pred * true          # 计算交集  pred ∩ true
    temp = pred + true                  # pred + true
    smooth = 1e-8                       # 防止分母为 0
    dice_score = 2*intersection.sum() / (temp.sum() + smooth)
    return dice_score

intersection 为两个区域的交集，即两个区域的乘积

temp 为两个区域的和，（注：这里不是并集，因为没有减去相交的部分）

3.2 iou

iou 的实现

# Iou
def Iou(pred,true):
    intersection = pred * true          # 计算交集  pred ∩ true
    temp = pred + true                  # pred + true
    union = temp - intersection         # 计算并集：A ∪ B = A + B - A ∩ B
    smooth = 1e-8                       # 防止分母为 0
    iou_score = intersection.sum() / (union.sum() + smooth)
    return iou_score

intersection 为两个区域的交集，即两个区域的乘积

temp 为两个区域的和，（注：这里不是并集，因为没有减去相交的部分）

union 为两个区域的并集

3.3 test

预测：

# prediction
predict = torch.tensor([0.01,0.03,0.02,0.02,0.05,0.12,0.09,0.07,0.89,0.85,0.88,0.91,0.99,0.97,0.95,0.97]).reshape(1,1,4,4)
'''
tensor([[[[0.0100, 0.0300, 0.0200, 0.0200],
          [0.0500, 0.1200, 0.0900, 0.0700],
          [0.8900, 0.8500, 0.8800, 0.9100],
          [0.9900, 0.9700, 0.9500, 0.9700]]]])
'''

label：

# label
label = torch.tensor([0,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1]).reshape(1,1,4,4)
'''
tensor([[[[0, 0, 0, 0],
          [0, 0, 0, 0],
          [1, 1, 1, 1],
          [1, 1, 1, 1]]]])
'''

计算结果：

聊聊图像分割的DICE和IOU指标

公式可知，dice和iou的关系为：

聊聊图像分割的DICE和IOU指标

验证可知：

聊聊图像分割的DICE和IOU指标

注：有些细微的差异是smooth所导致

3.4 dice 和 iou 的关系曲线

有公式可知，dice 和 iou 的关系公式如下：

聊聊图像分割的DICE和IOU指标

关系曲线如图：

聊聊图像分割的DICE和IOU指标

4. 代码

import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'

import torch
import numpy as np
import matplotlib.pyplot as plt

# prediction
predict = torch.tensor([0.01,0.03,0.02,0.02,0.05,0.12,0.09,0.07,0.89,0.85,0.88,0.91,0.99,0.97,0.95,0.97]).reshape(1,1,4,4)
'''
tensor([[[[0.0100, 0.0300, 0.0200, 0.0200],
          [0.0500, 0.1200, 0.0900, 0.0700],
          [0.8900, 0.8500, 0.8800, 0.9100],
          [0.9900, 0.9700, 0.9500, 0.9700]]]])
'''

# label
label = torch.tensor([0,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1]).reshape(1,1,4,4)
'''
tensor([[[[0, 0, 0, 0],
          [0, 0, 0, 0],
          [1, 1, 1, 1],
          [1, 1, 1, 1]]]])
'''


# Dice
def Dice(pred,true):
    intersection = pred * true          # 计算交集  pred ∩ true
    temp = pred + true                  # pred + true
    smooth = 1e-8                       # 防止分母为 0
    dice_score = 2*intersection.sum() / (temp.sum() + smooth)
    return dice_score


# Iou
def Iou(pred,true):
    intersection = pred * true          # 计算交集  pred ∩ true
    temp = pred + true                  # pred + true
    union = temp - intersection         # 计算并集：A ∪ B = A + B - A ∩ B
    smooth = 1e-8                       # 防止分母为 0
    iou_score = intersection.sum() / (union.sum() + smooth)
    return iou_score


# dice 和 iou 的换算
def dice_and_iou(x):
    y = x / (2 - x)
    return y


dice = np.arange(0,1,0.001)
iou = dice_and_iou(dice)

plt.plot(dice,iou)
plt.xlabel('dice')
plt.ylabel('iou')
plt.show()

到了这里，关于聊聊图像分割的DICE和IOU指标的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！