python 图像语义分割mIOU代码详解

mIOU公式在此不赘述。


1、fast_hist(label.flatten(), pred.flatten(), num_classes)

2、生成关于像素的混淆矩阵
k = (a >= 0) & (a < n)这句用来过滤噪声像素

np.bincount(n*a[k].astype(int)+b[k],minlength=n**2).reshape(n,n)解释如下：
(1) n*a[k].astype(int)+b[k]中n=2，a= label.flatten()，b= pred.flatten()，经过此式计算可得：

图中0表示TN(标签为0，预测为0)；1表示FP(标签为0，预测为1)；2表示FN(标签为1，预测为0)；3表示TP(标签为1，预测为1)。
(2) np.bincount()统计上图中0, 1, 2, 3的个数，可得[8, 2, 3, 3]。
(3) [8, 2, 3, 3]经过reshape(n, n)，可得关于像素的混淆矩阵：

3、计算前景像素、背景像素的MIOU：

hist=图1中的混淆矩阵;
np.diag(hist)获取混淆矩阵中对角线，得到数组[8(TN) 3(TP)];
hist.sum(1)获取混淆矩阵的行和，得到数组[10(TN+FP) 6(FN+TP)];
hist.sum(0)获取混淆矩阵的列和，得到数组[11(TN+FN) 5(FP+TP)];
np.maximum()取两个数中最大的一个，作用：防止分母为0；
因此per_class_iu(hist)返回的值为(下图应用矩阵除法)：