MIOU计算（同时去除不想要的类别）
其实主要就是把Cityscapes相关的MIOU代码拿过来改了点东西，可以用在其他数据集或者自己的数据集上。
深度学习计算机视觉图像分割领域指标mIoU（平均交并比）计算代码与逐行解析 - 代码先锋网
这篇文章对源代码讲解挺细致的。
首先来看看compute_mIoU函数，前半部分：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
| def compute_mIoU(gt_dir, pred_dir, devkit_dir=''):
num_classes = 6
name_classes = np.array(['不透水面', '建筑物', '低矮植被', '树木', '汽车', '背景'], dtype=np.str_)
hist = np.zeros((num_classes, num_classes))
image_path_list = join(devkit_dir, 'image_test.txt')
label_path_list = join(devkit_dir, 'label_test.txt')
gt_imgs = open(label_path_list, 'r').read().splitlines()
gt_dir = gt_dir+'/labels'
gt_imgs = [join(gt_dir, x) for x in gt_imgs]
pred_imgs = open(image_path_list, 'r').read().splitlines()
pred_imgs = [join(pred_dir, x.split('/')[-1]) for x in pred_imgs]
mapping = [[0, 0], [1, 1], [2, 2], [3, 3], [4, 4], [5, 5]]
|
相对于源代码，修改了如下num_classes、name_classes、mapping。主要是这三个需要从info.json这个数据集获取，我们自己的数据集或者下载的其他数据集可能没有（当然，自己制作下应该也可以，不过我感觉放到程序里可能看起来直观点）num_classes是数据类别，这个类别最好从0开始标注。比如标签图是0，1，2三个类，不要设置成1，2，3。这样后面混淆矩阵计算时候可能有麻烦。当然，如果你的标签图就是1，2，3这样的，可以修改mapping为[[1,0],[2,1],[3,2]]。name_classes是类别名称，请注意从小到大对应起来，比如第一个不透水面，对应就是0，建筑物的话对应就是1。mapping是标签映射的，比如向上面提到的，我们的标签是1，3，4，5，7这种杂乱的时候，最好自己映射下，把他们映射成0，1，2，3，4这样的。另外如果我们有不想要的类别，比如1，3，4，5，7中，4和7类别我不想用来计算，那我们的映射可以这样：[[1,0],[3,1],[4,255],[5,2],[7,255]]，把他们映射成255，具体为啥，后面会讲。后续其他的似乎不需要改动啥，直接抄过来就行，注意下路径就好。然后我们来看看compute_mIoU后半部分：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
| for ind in range(len(gt_imgs)):
pred = np.array(Image.open(pred_imgs[ind]))
label = np.array(Image.open(gt_imgs[ind]))
label = label_mapping(label, mapping)
if len(label.flatten()) != len(pred.flatten()):
print('Skipping: len(gt) = {:d}, len(pred) = {:d}, {:s}, {:s}'.format(len(label.flatten()),
len(pred.flatten()), gt_imgs[ind],
pred_imgs[ind]))
continue
hist += fast_hist(label.flatten(), pred.flatten(), num_classes)
if ind > 0 and ind % 10 == 0:
print('{:d} / {:d}: {:0.2f}'.format(ind, len(gt_imgs), 100 * np.mean(per_class_iu(hist))))
mIoUs = per_class_iu(hist)
if not silence:
for ind_class in range(num_classes):
print('===>' + name_classes[ind_class] + ':\t' + str(round(mIoUs[ind_class] * 100, 2)))
print('===> mIoU: ' + str(round(np.nanmean(mIoUs) * 100, 2)))
return mIoUs
|
这里面涉及三个重要的函数，label_mapping，fast_hist，per_class_iu。
下面分别介绍。
1
2
3
4
5
| def label_mapping(input, mapping):
output = np.copy(input)
for ind in range(len(mapping)):
output[input == mapping[ind][0]] = mapping[ind][1]
return np.array(output, dtype=np.int64)
|
标签映射，很简单，把mapping中标签映射下，方便我们后续计算。
1
2
3
| def fast_hist(a, b, n):
k = (a >= 0) & (a < n)
return np.bincount(n * a[k].astype(int) + b[k], minlength=n ** 2).reshape(n, n)
|
也很简单，具体计算细节可以自己推导下（有空的话我后续会补充）。其中a<n就限制了255这一类不想要的标签。
1
2
| def per_class_iu(hist):
return np.diag(hist) / (hist.sum(1) + hist.sum(0) - np.diag(hist))
|
这就是MIOU计算公式（为啥这样算，具体小例子后续会补充）：