详解计算miou的代码以及混淆矩阵的意义

详解计算miou的代码以及混淆矩阵的意义

miou的定义

'''
    Mean Intersection over Union(MIoU，均交并比)：为语义分割的标准度量。其计算两个集合的交集和并集之比.
    在语义分割的问题中，这两个集合为真实值（ground truth）和预测值（predicted segmentation）。
    这个比例可以变形为正真数（intersection）比上真正、假负、假正（并集）之和。在每个类上计算IoU，之后平均。
    对于21个类别,分别求IOU:
        例如,对于类别1的IOU定义如下:
            (1)统计在ground truth中属于类别1的像素数
            (2)统计在预测结果中每个类别1的像素数
                (1) + (2)就是二者的并集像素数(类比于两块区域的面积加和, 注:二者交集部分的面积加重复了)
                再减去二者的交集(既在ground truth集合中又在预测结果集合中的像素),得到的就是二者的并集(所有跟类别1有关系的像素:包括TP,FP,FN)
        扩展提示:
            TP(真正): 预测正确, 预测结果是正类, 真实是正类
            FP(假正): 预测错误, 预测结果是正类, 真实是负类
            FN(假负): 预测错误, 预测结果是负类, 真实是正类
            TN(真负): 预测正确, 预测结果是负类, 真实是负类   #跟类别1无关,所以不包含在并集中
            (本例中, 正类:是类别1, 负类:不是类别1)
    mIoU:
        对于每个类别计算出的IoU求和取平均
    '''
————————————————
版权声明：本文为CSDN博主「你吃过卤汁牛肉吗」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/u012370185/article/details/94409933

class mIOU:
    def __init__(self, num_classes):
        self.num_classes = num_classes
        self.hist = np.zeros((num_classes, num_classes))
    # 返回的是混淆矩阵
    def _fast_hist(self, label_pred, label_true):
        # 去除背景
        # ground truth中所有正确(值在[0, classe_num])的像素label的mask
        mask = (label_true >= 0) & (label_true < self.num_classes)
        # 计算出每一类（0-n**2-1）中对应的数（0-n**2-1）出现的次数，返回值为（n，n）
        # confusion_matrix是一个[num_classes, num_classes]的矩阵,
        # confusion_matrix矩阵中(x, y)位置的元素代表该张图片中真实类别为x, 被预测为y的像素个数
        '''
        关于下面的混淆矩阵如何计算出来的可能会有些初学者不大理解，笔者根据自己的想法对下面的代码有一定的见解，
        可能有一定错误，欢迎指出
        我们之前得到的是两张由0-num_class-1的数字组成的label，分别对应我们的类别总数
        self.num_classes * label_true[mask].astype(int)，这段代码通过将label_true[mask]乘以num_class
        第0类还是0，第一类的数字变成num_class（注意这是在原来的图上操作）,以此类推，
        +label_pred[mask]，对于这一步我举个栗子，比如groundtrue是第一类，num_class=21,在之前操作已经将该像素块
        变成21了，如果我预测的还是第一类，则这一像素块变成了22，在bincount函数中，使得数字22的次数增加了1，在后面的reshape中
        数字22对于的就是第二行第第二列，也就是对角线上的（因为混淆矩阵的定义就是对角线上的就是预测正确的，即TP），所以得到了
        hist就是混淆矩阵
        '''
        hist = np.bincount(
            self.num_classes * label_true[mask].astype(int) +
            label_pred[mask], minlength=self.num_classes ** 2).reshape(self.num_classes, self.num_classes)
        return hist
    def add_batch(self, predictions, gts):
        for lp, lt in zip(predictions, gts):
            self.hist += self._fast_hist(lp.flatten(), lt.flatten())
    def evaluate(self):
        '''
        miou = TP / (TP+FN+TN)
        因此下面的式子显然是计算miou的
        :return:
        '''
        iu = np.diag(self.hist) / (self.hist.sum(axis=1) + self.hist.sum(axis=0) - np.diag(self.hist))
        return np.nanmean(iu[1:])