如何评估分割质量？ - 计算机视觉算法与实践-从入门到精通

本章介绍了常用的分割方法，但实际上还有更多方法！没有一种方法是最好的，因为分割结果取决于多种因素，其中图像本身就是一个重要因素。因此，针对待处理的图像类型，评估分割质量是很有意义的。为此，可以使用下面定义的不同标准。除了待分割的图像，我们还需要一个预期的结果，我们称之为“真实标签”（ground truth）。

假设真实标签和分割结果是Figure 1中的图像（二值分割）。

真实标签 f^*（左）和分割结果 f（右）。 — Figure 1:真实标签 $f^*$ （左）和分割结果 $f$ （右）。

每张图像都有两个区域：被分割的物体（白色）和背景（黑色）。因此，我们可以定义四种类型的区域（参见Figure 2）：

真正例（TP） 表示被认为是物体且确实在物体内的像素，
真负例（TN） 表示在分割结果和真实标签中都位于物体外部的像素，
假正例（FP） 表示被分割算法认为是物体但实际上不属于物体的像素，
假负例（FN） 表示属于物体但被分割算法归类到外部的像素。

真正例（TP）、假正例（FP）、真负例（TN）和假负例（FN）的定义。 — Figure 2:真正例（TP）、假正例（FP）、真负例（TN）和假负例（FN）的定义。

基于这四个量，可以使用以下标准中的一个或多个。

敏感度（Sensibility）

\frac{\text{TP}}{\text{TP}+\text{FN}}

特异度（Specificity）

\frac{\text{TN}}{\text{TN}+\text{FP}}

Dice系数（Dice coefficient）

\frac{2\,\text{TP}}{2\,\text{TP}+\text{FP}+\text{FN}}

Jaccard系数（Jaccard coefficient）或者交并比（Intersection over Union, IoU)

\frac{\text{TP}}{\text{TP}+\text{FP}+\text{FN}}