图片语义分割评价指标计算miou、precision、recall

一、通过histogram计算miou、precision、recall

通过python的numpy包中的histogram函数计算图像语义分割的评价指标。
这里想得出每一类的评价指标，而不是一个整体的，故采用
对于某一张图片
imlabel和impred均为h*w的矩阵,且每个像素点的值为1～numclass
则
$$T{P}_{m}at=impred\ast (impred==imlabel)$$
$$F{P}_{m}at=impred\ast (impred!=imlabel)$$
$$F{N}_{m}at=imlabel\ast (impred!=imlabel)$$

(TP,  )=np.histogram(TP_mat,bins=numclass,rangge=(1,numclass))  #这里得到的是每一类TP的像素点个数
(FP,  )=np.histogram(FP_mat,bins=numclass,rangge=(1,numclass))  #这里得到的是每一类FP的像素点个数
(FN,  )=np.histogram(FN_mat,bins=numclass,rangge=(1,numclass))  

从而
$$iou=\frac{TP}{TP+FP+FN}$$

$$precision=\frac{TP}{TP+FP}$$

$$recall=\frac{TP}{TP+FN}$$

二、通过混淆矩阵

混淆矩阵的定义的理解：
混淆矩阵（confusion matrix），又称为可能性表格或是错误矩阵。它是一种特定的矩阵用来呈现分类结果是否准确的可视化效果。其每一行代表预测值，每一列代表的是实际的类别。这个名字来源于它可以非常容易的表明多个类别是否有混淆（也就是一个class被预测成另一个class），每一个矩阵元素表示实际为A预测为A’的个数。

从而，对角线上为TP，上三角为FP，下三角为FN

def generate_matrix(numclass,gt_image,pre_image):
	mask=(gt_image>=0)&(gt_image<=numclass)
	label=num_class*gt_image[mask].astype('int')+pre_image[mask]
	count=np.bincount(label,minlength=numclass**2)
	confusion_matrix=count.reshape(numclass,numclass)
	return confusion_matrix