blocks|key|4099849|text|测量图像分割的质量是计算机视觉社区中一个很好的研究课题。|type|unstyled|depth|inlineStyleRanges|entityRanges|data|4099850|您可以看到适用于二进制分割的this方法。对于多段和边界精度，也有this方法。|offset|length|4099851|entityMap|0|LINK|mutability|MUTABLE|url|http://www.wisdom.weizmann.ac.il/~alpertsh/paper/AlpertGBB07.pdf|1|http://www.eecs.berkeley.edu/Research/Projects/CS/vision/bsds/^0|0|E|4|0|X|4|1|0^^$0|@$1|2|3|4|5|6|7|P|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|Q|8|@]|9|@$D|R|E|S|1|T]|$D|U|E|V|1|W]]|A|$]]|$1|F|3|-4|5|6|7|X|8|@]|9|@]|A|$]]]|G|$H|$5|I|J|K|A|$L|M]]|N|$5|I|J|K|A|$L|O]]]]

Measuring the quality of image segmentation is a topic well studied in the computer vision community.

You can see <a href="http://www.wisdom.weizmann.ac.il/~alpertsh/paper/AlpertGBB07.pdf" rel="noreferrer" title="Weizmann segmentation evaluation dataset">this</a> method that is suitable for binary segmentations. There is also <a href="http://www.eecs.berkeley.edu/Research/Projects/CS/vision/bsds/" rel="noreferrer" title="Berkeley segmentation">this</a> method for multiple segments and also for boundary accuracy.

blocks|key|139757|text|通常的方法是使用对象的正确位置的总面积与落入正确位置的被检测对象的面积之比。|type|unstyled|depth|inlineStyleRanges|entityRanges|data|139758|如果您的区域不均匀，它将类似于(检测到的区域中与地面实况匹配的像素)/total地面实况分割中的像素数。|139759|在下图中:计数(灰色)/(计数(black%2Bgray))|139760|​|139761|📷|atomic|offset|length|139762|139763|您应该考虑的一个度量也是检测面积与地面真实面积的比率，因为您的检测可能覆盖整个图像，并且在上面的公式上具有100%25的准确率。|139764|entityMap|0|IMAGE|mutability|IMMUTABLE|imageUrl|https://ask.qcloudimg.com/http-save/yehe-900000/01dc9b0d876051fdc85509216736ddbf.png|imageAlt^0|0|0|0|0|0|1|0|0|0|0^^$0|@$1|2|3|4|5|6|7|Y|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|Z|8|@]|9|@]|A|$]]|$1|D|3|E|5|6|7|10|8|@]|9|@]|A|$]]|$1|F|3|G|5|6|7|11|8|@]|9|@]|A|$]]|$1|H|3|I|5|J|7|12|8|@]|9|@$K|13|L|14|1|15]]|A|$]]|$1|M|3|G|5|6|7|16|8|@]|9|@]|A|$]]|$1|N|3|O|5|6|7|17|8|@]|9|@]|A|$]]|$1|P|3|-4|5|6|7|18|8|@]|9|@]|A|$]]]|Q|$R|$5|S|T|U|A|$V|W|X|-4]]]]

A usual approach is to use the ratio of the total area of the correct position of the object compared to the area of the detected object that falls into the correct position.

If your areas are not uniform, it will be something like (pixels in the detected area that match the ground truth)/total number of pixels in the ground truth segmentation.

in the image below: count(gray)/(count(black+gray))

<img src="https://i.stack.imgur.com/Z0DAS.png" alt="enter image description here">

A measure you should consider is also a ratio of the detection area compared to the ground truth area, because you may have a detection that covers the whole image, and have a score of 100% accuracy on the above formula.

blocks|key|139785|text|我认为当你想要评估分割结果时，应该使用多个度量。精度(正确分割区域与地面真实值的比率)是不够的。因为您的分割可能还会覆盖不在地面事实中的区域。因此，我建议您可以使用以下指标来评估您的分割结果：|type|unstyled|depth|inlineStyleRanges|entityRanges|data|139786|正确率:所有区域的正确分割区域segmented.|139787|False+segmented.|unordered-list-item|139788|
|139789|Accuracy|139790|139791|F1正确率:不在地面上但在结果中的区域真实得分:综合衡量标准(请参阅：http://en.wikipedia.org/wiki/F1_score)|offset|length|139792|
：|139793|ordered-list-item|139794|139795|entityMap|0|LINK|mutability|MUTABLE|url|http://en.wikipedia.org/wiki/F1_score^0|0|0|0|0|0|0|Z|11|0|0|0|0|0^^$0|@$1|2|3|4|5|6|7|12|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|13|8|@]|9|@]|A|$]]|$1|D|3|E|5|F|7|14|8|@]|9|@]|A|$]]|$1|G|3|H|5|6|7|15|8|@]|9|@]|A|$]]|$1|I|3|J|5|F|7|16|8|@]|9|@]|A|$]]|$1|K|3|H|5|6|7|17|8|@]|9|@]|A|$]]|$1|L|3|M|5|F|7|18|8|@]|9|@$N|19|O|1A|1|1B]]|A|$]]|$1|P|3|Q|5|6|7|1C|8|@]|9|@]|A|$]]|$1|R|3|-4|5|S|7|1D|8|@]|9|@]|A|$]]|$1|T|3|-4|5|6|7|1E|8|@]|9|@]|A|$]]|$1|U|3|-4|5|6|7|1F|8|@]|9|@]|A|$]]]|V|$W|$5|X|Y|Z|A|$10|11]]]]

I think multiple measures should be used when you want to evaluate your segmentation result. The accuracy ( the ratio of the correctly segmented area over the ground truth) is not enough. Because your segmentation may also cover the area that is not in the ground truth. So, I suggest you can use the following measures to evaluate your segmentation result:

<ol>
<li>True positive rate: the correctly segmentation area over all the area you segmented.</li>
<li>False positive rate: the area that is not in the ground truth but that is in your result over all the area you segmented.</li>
<li>Accuracy</li>
<li>F1 score: an integrated measure (please see: <a href="http://en.wikipedia.org/wiki/F1_score" rel="noreferrer">http://en.wikipedia.org/wiki/F1_score</a>)</li>
</ol>

blocks|key|4581562|text|您可以使用如下所示的jaccard_similarity_score：http://scikit-learn.org/stable/modules/generated/sklearn.metrics.jaccard_similarity_score.html，但对于图像，需要将图像展平以将其转换为一维图像|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|4581563|entityMap|0|LINK|mutability|MUTABLE|url|http://scikit-learn.org/stable/modules/generated/sklearn.metrics.jaccard_similarity_score.html^0|Z|2M|0|0^^$0|@$1|2|3|4|5|6|7|L|8|@]|9|@$A|M|B|N|1|O]]|C|$]]|$1|D|3|-4|5|6|7|P|8|@]|9|@]|C|$]]]|E|$F|$5|G|H|I|C|$J|K]]]]

You can use jaccard_similarity_score as shown here: <a href="http://scikit-learn.org/stable/modules/generated/sklearn.metrics.jaccard_similarity_score.html" rel="nofollow noreferrer">http://scikit-learn.org/stable/modules/generated/sklearn.metrics.jaccard_similarity_score.html</a>
But for images needs flattening the images for converting it into 1-D

blocks|key|139231|text|如果地面真实物体被检测到1000个小片段完美地覆盖了这个区域，你会有多高兴？|type|unstyled|depth|inlineStyleRanges|entityRanges|data|139232|entityMap^0|0^^$0|@$1|2|3|4|5|6|7|D|8|@]|9|@]|A|$]]|$1|B|3|-4|5|6|7|E|8|@]|9|@]|A|$]]]|C|$]]

And how happy would you be if the ground truth object is detected in 1000 little segments that perfectly cover the area?

I am dealing with a image classification problem. Before classification, images should be segmented. I tried several methods. My question is "how can i test accuracy of segmentation ?". I plan to compare final binary image with correct binary image based on pixel differences in order to get a success rate. Is there a more efficient way to compare edges of two binary image, instead of this?

How to test accuracy of segmentation algorithm?

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

我正在处理一个图像分类问题。在分类之前，应该对图像进行分割。我尝试了几种方法。我的问题是“我如何测试分割的准确性?”我计划基于像素差异将最终的二值图像与正确的二值图像进行比较，以获得成功率。有没有更有效的方法来比较两个二值图像的边缘，而不是这样？

问如何测试分割算法的准确性？
EN

回答 5

Stack Overflow用户

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问如何测试分割算法的准确性？EN

回答 5

Stack Overflow用户

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问如何测试分割算法的准确性？
EN