Python 利用预测图像和地面真实图像评价神经网络

预测图像和gt图像是黑白图像

地面真值图像中的白点表示地面真值。 预测图像中的白点表示预测点

两个图像都由图像上的多行组成（存在多行。它们都属于一个类）

我使用以下方法

n_gt_pixels = cv2.countNonZero(im_gt) #count number of white pixels in gt image
n_predicted_pixels = 0
for i in range(rows):
   for j in range(cols):
     if((im_predicted[i,j] == im_gt[i,j]) and im_gt[i,j]!=0): #ignore black pixels
        n_predicted_pixels = n_predicted_pixels + 1

accuracy = n_predicted_pixels /n_gt_pixels

然后我取平均数

你能告诉我这是评估模型的正确方法吗？

---

有没有更好的方法？（这种方法需要很多时间）

您的任务似乎是一个二进制分割问题。您可以使用精度（正确分类的像素百分比）、MCR（即基本上为1精度的误分类率）或您可以读取的平均IOU等指标

除此之外，我建议如果您想计算精度，请使用

cv2.bitwise\u xor

来完成此任务

编辑

---

此函数可用于计算MIOU，其中pred_mask和sample_mask是2d数组。

您的任务似乎是一个二进制分割问题。您可以使用精度（正确分类的像素百分比）、MCR（即基本上为1精度的误分类率）或您可以读取的平均IOU等指标

除此之外，我建议如果您想计算精度，请使用

cv2.bitwise\u xor

来完成此任务

编辑

---

此函数可用于计算MIOU，其中pred_mask和sample_mask是2d数组。

对于分割，比准确度更好的度量，绝对体积差或一些距离度量，如对称表面距离或Hausdorff距离。

对于分割，比准确度更好的度量，绝对体积差或一些距离度量，如对称表面距离或Hausdorff距离。

如果您不知道如何使用

xor

请告诉我。您好@Vardan。非常感谢。你建议的链接，为了计算IOU，标签和预测将是2d图像转换成一维的，对吗？平均iou（标签，预测，数值类，权重=None，度量集合=None，更新集合=None，name=None）如果这个公式对你不起作用，你可以使用这个公式iou=true\u positive/（true\u positive+false\u positive+false\u negative）非常感谢你，如果你不知道如何使用xor，请告诉我。你好@Vardan。非常感谢。你建议的链接，为了计算IOU，标签和预测将是2d图像转换成一维的，对吗？平均iou（标签、预测、数值类、权重=None、度量集合=None、更新集合=None、名称=None）如果这个公式对你不起作用，你可以使用这个公式iou=true\u positive/（true\u positive+false\u positive+false\u negative）非常感谢你，谢谢你。

def cal_miou(pred_mask, sample_mask):
    tp = np.sum(cv2.bitwise_and(pred_mask, sample_mask))
    fp = np.sum(cv2.bitwise_and(pred_mask, cv2.bitwise_not(sample_mask)))
    fn = np.sum(cv2.bitwise_and(cv2.bitwise_not(pred_mask), sample_mask))
    return tp/(tp+fp+fn)