图像分割评价指标：Dice和MIoU

冷不防 2024-03-26 13:58 71阅读 0赞

#### 目录 ####

*  Dice
 *   *  理论
     *  代码
 *  MIou
 *   *  理论
     *   *  查准率 precison
         *  查全率 recall
         *  MIoU 平均交并比
     *  代码
     *   *  高效的矩阵运算
         *  低效的好理解的
         *  计算混淆矩阵
 *  Dice和MIoU两者的关系
 *  参考链接

## Dice ##

### 理论 ###

Dice用来衡量预测结果pred和标签label的相似度，公式如下图所示，即两个集合的交集/并集。  
![在这里插入图片描述][2dab205316ff4266843dfb3b4a7b451e.png]

> 注意：对于多分类的分割任务，网络的输出结果是多通道的，使用Dice计算准确度需要将标签转换为多通道的one\_hot形式。

### 代码 ###

def dice_acc(predict, label):
        """
            计算多个batch的dicc
            @param predict: 模型预测值，Shape:[B, C, W, H]
            @param label: one_hot形式的标签，Shape:[B, C, W, H]
        """
        batch_num, class_num = predict.shape[0: 2]
        
        assert predict.size() == label.size(), "the size of predict and target must be equal."
        
        # 计算交集
        intersection = (predict * label).reshape((batch_num, class_num, -1)).sum(dim=2)
    
        # 计算并集
        union = (predict + label).reshape((batch_num, class_num, -1)).sum(dim=2)
        
        dice = (2. * intersection + 1) / (union + 1)
    
        dice = dice.mean()
    
        # loss = 1 - dice
    
        return dice

*  如果需要计算`dice loss`，只需要 `1- dice_acc`即可。
 *  可以借助`torch.nn.functional.one_hot()`函数将标签转化为`one_hot`形式。
 *  以上代码传入的`predict`和`label`都是`tensor`，需要调用`dice.item()`只返回数值。

## MIou ##

### 理论 ###

为了计算MIoU，我们需要先引入混淆矩阵的概念。所谓混淆矩阵，就是真实结果和预测结果所组成的矩阵，将整个结果集划分为`TP`，`TN`，`FP`，`FN`四类。  
![在这里插入图片描述][1605126f17144e91b3670f60c2f0f7eb.png]

*  TP：True Positive 真正的正类，即label是正标签，predict也是正标签。
 *  FN：False Negative 假的负类，即label是正标签，predict却预测是负标签。
 *  FP：False Positive 假的正类，即label是负标签，predict却预测是正标签。
 *  TN：True Negative 真正的负类，即label是负标签，predict也是负标签。

有了混淆矩阵后，我们可以在此基础上计算各种评价指标：

#### 查准率 precison ####

![在这里插入图片描述][2082b55e56d94e65bcc0884bf4a449c0.png]

#### 查全率 recall ####

![在这里插入图片描述][0793661af91d4816b9f02acda3e2ca9b.png]

#### MIoU 平均交并比 ####

![在这里插入图片描述][7ad00ed5a9a34eb7acffb6a0e531ddf8.png]  
上面的公式对应到混淆矩阵A上为 `A(i, i) / A(i, : ) + A(:, j) - A(i, j)`，即`对角线元素比上(对角线元素所在行和列的元素和 - 对角线元素)`。  
![在这里插入图片描述][c5cd0e3e497c4d67939ea575d52c7018.png]

> 注意：为了计算`MIoU`，我们需要把多通道的预测结果通过`torch.argmax()`函数转化为`单通道的预测类别`，然后和`单通道的label`计算交并比。

### 代码 ###

为了计算MIoU，这里提供两种方式，一种是比较高效的矩阵运算，另一种是常规的好理解的但效率不高的方式，两者都可以用。

#### 高效的矩阵运算 ####

def miou(predict, label, class_num=3):
        """
            计算多个batch的moiu
            @param predict: 模型预测值，Shape:[B, W, H]
            @param label: 标签，Shape:[B, W, H]
        """
        batch = label.shape[0]
    
        predict, label = predict.flatten(), label.flatten()
    
        # 忽略背景的话就 >0
        k = (predict >= 0) & (predict < class_num)
    
        # 计算混淆矩阵
        hist = torch.bincount(class_num * predict[k].type(torch.int32) + label[k], minlength=batch * (class_num ** 2)).reshape(batch, class_num, class_num)
    
        # 将多个batch合并为一个，如果传入的参数没有batch这个维度，可以注释掉这句话
        hist = hist.sum(0)
    
        # 计算各个类的iou
        miou = torch.diag(hist) / torch.maximum((hist.sum(1) + hist.sum(0) - torch.diag(hist)), torch.tensor(1))
    
        # 计算平均值miou
        return miou.mean()

#### 低效的好理解的 ####

def IOU(pred, target, n_classes = 3 ):
        """
            计算miou
            @param predict: 模型预测值，Shape:[W, H]
            @param label: 标签，Shape:[W, H]
        """
        ious = []
        # 从1开始，即忽略背景
        # 依次计算每个类
        for cls in range(1, n_classes):
            pred_inds = pred == cls
            target_inds = target == cls
    
            # 计算两个集合在该类上的交集
            intersection = (pred_inds[target_inds]).sum()
    
            # 计算并集
            union = pred_inds.sum() + target_inds.sum() - intersection
    
            if union == 0:
                ious.append(float('nan')) # If there is no ground truth，do not include in evaluation
            else:
                ious.append(float(intersection.item()) / float(max(union.item(), 1)))
    
        # 计算多类的平均值 
        return torch.mean(torch.tensor(ious))

> 注意，这种的传入的参数是二维的，不能有batch维度。

#### 计算混淆矩阵 ####

这里提供一个计算混淆矩阵的快速实现，但很低效，仅供看看，实际还是要用上面`torch.bincount`计算混淆矩阵快。

# TP predict 和 label 同时为1
    TP = ((pred1 == 1) & (label == 1)).cpu().sum()
    # TN    predict 和 label 同时为0
    TN = ((pred1 == 0) & (label == 0)).cpu().sum()
    # FN    predict 0 label 1
    FN = ((pred1 == 0) & (label == 1)).cpu().sum()
    # FP    predict 1 label 0
    FP = ((pred1 == 1) & (label == 0)).cpu().sum()

## Dice和MIoU两者的关系 ##

对于二分类的任务来说，二者思想都是`交集/并集`，但`dice`并不是在分母上减去交集，而是`将交集在分子上算了两次`。

对于多分类来说，`Dice`是将预测结果转为了`多通道`，而`MIoU`只在`一个通道`上计算。

## 参考链接 ##

https://www.jianshu.com/p/42939bf83b8a  
https://blog.csdn.net/Pierce\_KK/article/details/96505691  
https://blog.csdn.net/lipengfei0427/article/details/109556985

[2dab205316ff4266843dfb3b4a7b451e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/a3b6cc9d8f604a03818f91821095cc3e.png
[1605126f17144e91b3670f60c2f0f7eb.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/65672fa771af410cbac744b3148d8e81.png
[2082b55e56d94e65bcc0884bf4a449c0.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/3b578cfdd7c84435bbb5248ce09727f1.png
[0793661af91d4816b9f02acda3e2ca9b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/9cc73b8ccaf34417b10dd896a97c2d07.png
[7ad00ed5a9a34eb7acffb6a0e531ddf8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/95e0f460ca144c58a0a89d668ae08ae7.png
[c5cd0e3e497c4d67939ea575d52c7018.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/26/088711a165a54e2583c4e20a5d6642e9.png