如何统计测试 3D 模型的准确性？

Question

我已经从 2D 图像构建了 3D 模型。我想知道我的模型使用一些统计测试的准确度如何。我认为有很多可用的方法可以做到这一点，比如这个问题Is it possible to compare 3D images? 中提到的相关性和均方。

我在其他网站上找不到可用测试的清晰描述。我在这里找到了一个使用正方形方法比较 2D 图像的实现，http://www.mathworks.com/matlabcentral/answers/81048-mse-mean-square-error。我不确定这是否可以用来计算模型精度。另外，我没有找到关于测试如何工作的解释，即比较了哪些参数（颜色、强度等）？

编辑：为了更清晰，3D 模型将 2D 图像中的每个像素表示为一个体素，它具有与之相关的颜色。该模型的目的是将 2D 图像中发现的不同颜色区域重建为 3D 表示。因此，具有某种颜色的像素（它们代表一个区域）的数量是从 2D 图像中计算出来的。将在 3D 模型中构建相似数量的体素并赋予相同的颜色。在这个建模问题中重要的是以下内容，

1- 区域大小（在 2D 图像和模型中必须几乎相似）。

2-2D图像中某个区域的连通性水平与其在3D图像中构造的对应区域必须相似。通过连接性，我的意思是检查区域组件是否分散在图像中，或者它们是否连接形成一个大的连接区域，而不是许多相同颜色的小分散区域。

EDIT2：我认为颜色相关图是合适的。我找到了实现它的代码，但我不清楚。这是代码，

% Soumyabrata Dev
% E-mail: soumyabr001@e.ntu.edu.sg
% http://www3.ntu.edu.sg/home2012/soumyabr001/
I= imread ('img.jpg');
correlogram_vector=[];
[Y,X]=size(rgb2gray(I));

% quantize image into 64 colors = 4x4x4, in RGB space
[img_no_dither, ~] = rgb2ind(I, 64, 'nodither');
% figure, imshow(img_no_dither, map);
%rgb = ind2rgb(img_no_dither, map); % rgb = double(rgb)
distance_vector= [1 3]; 
[~,d]=size(distance_vector);
count_matrix=zeros(64,d);   total_matrix=zeros(64,d);
prob_dist=cell(1,d);

for serial_no=1:1:d
    for x=1:X
        for y=1:Y
            color=img_no_dither(y,x);

            % At the given distance 
            [positive_count,total_count]=get_n(distance_vector(serial_no),x,y,color,img_no_dither,X,Y);
            count_matrix(color+1,serial_no)=count_matrix(color+1,serial_no)+positive_count;
            total_matrix(color+1,serial_no)=total_matrix(color+1,serial_no)+total_count;       
        end
    end

    prob_dist{serial_no}=count_matrix(:,serial_no)./(1+total_matrix(:,serial_no));

end

for serial_no=1:d
    correlogram_vector=cat(1,correlogram_vector,prob_dist{serial_no});
end

end

这是get_n方法，

function [positive_count,total_count]=get_n(n,x,y,color,img_no_dither,X,Y)
% This function is useful to get the validity map of the neighborhood case.
% It can handle any number of neighborhood distances.

% Input
% n=The order of the neighborhood
% x & y= x y co-ordinates of the given pixel
% color= particular quantized color
% img_no_dither= The color quantized image matrix
% X & Y= The original dimensions of the input image

% Output
% positive_count= The number of occurences which have the same color
% total_count= The total number of valid cases for this particular instant


    valid_vector8n=zeros(1,8*n); % This is because of the propoerty of inf-norm. Each distance has 8 times the order
    positive_count=0;   total_count=0;

    nbrs_x=zeros(1,8*n);    nbrs_y=zeros(1,8*n);

    % The counting of the pixels is done in the following manner: From the
    % given pixel, go left-->up-->right-->down-->left-->up
    % Y co-ordinates of nbrs
    nbrs_y(1)=y;
    d=1;
    for k=2:1+n
       nbrs_y(k)=y-d;
       d=d+1;
    end

    nbrs_y(1+n:1:3*n+1)=y-n;

    d=0;
    for k=3*n+1:5*n+1
       nbrs_y(k)=y-n+d;
       d=d+1;
    end

    nbrs_y(5*n+1:1:7*n+1)=y+n;

    d=0;
    for k=7*n+1:1:7*n+1+(n-1)
       nbrs_y(k)=y+n-d;
       d=d+1;
    end

    % X co-ordinates of nbrs
    nbrs_x(1)=x-n;

    nbrs_x(2:1:1+n)=x-n;

    d=0;
    for k=1+n:1:3*n+1
        nbrs_x(k)=x-n+d;
        d=d+1;
    end

    nbrs_x(3*n+1:5*n+1)=x+n;

    d=0;
    for k=5*n+1:7*n+1
        nbrs_x(k)=x+n-d;
        d=d+1;
    end

    nbrs_x(7*n+1:7*n+1+(n-1))=x-n;

    % Assigning the validity of the neighborhood
    for i=1:8*n

        if nbrs_x(i)>0 && nbrs_x(i)<=X && nbrs_y(i)>0 && nbrs_y(i)<=Y
            valid_vector8n(i)=1;

        else
            valid_vector8n(i)=0;

        end

    end


    % Couting the number of common colors in the valid areas of the
    % neighborhood.
    for j=1:8*n
       if valid_vector8n(j)==1
          data= img_no_dither(nbrs_y(j),nbrs_x(j));
          if (data==color)
              positive_count=positive_count+1;
          end
          total_count=total_count+1;
       end
    end

end

谁能解释一下这段代码是如何工作的？

上面的代码是针对 autocorrelogram 而不是 correlogram。我读过第一个更好，但它只能使用相同颜色的像素计算空间概率（不能应用于具有不同颜色的像素对）。这是正确的吗？

谢谢。

Answer 1

TLDR：经典工作流程：

1. 在两个模型中找到匹配的特征，
2. 计算距离，
3. ??????,
4. 利润！！