用于图像分割评估的骰子系数答案

【问题标题】：Dice coefficient for image segmentation evaluation用于图像分割评估的骰子系数
【发布时间】：2021-07-07 23:49:28
【问题描述】：

我正在尝试实现骰子系数，因此我可以将分段图像与地面实况图像进行比较。然而，骰子系数的输出似乎不正确，因为分割后的图像与地面真实图像的相似度约为 80%。骰子系数的输出为0.13。应该在 0.8 左右。

def my_dice(img1,img2):
 intersection = np.logical_and(img1, img2)
 union = np.logical_or(img1, img2)
 dice = (2*np.sum(intersection))/(np.sum(union)+np.sum(intersection))
 return dice

由于非二进制数组（范围 0-255），我认为结果很奇怪。所以我将图像除以 255，这给了我一些浮点数。这没有帮助。所以我使用了 python astype(np.bool) 但这也没有帮助。为了清楚起见，我对一个单元格的图像进行了语义分割，仅此而已，我想使用骰子系数与它的基本事实进行比较。我使用了很多我在网上找到的方法，但没有一个能给我正确的数字。以前喜欢这个。

    """Soft dice loss calculation for arbitrary batch size, number of classes, and number of spatial dimensions.
    Assumes the `channels_last` format.
  
    # Arguments
        y_true: b x X x Y( x Z...) x c One hot encoding of ground truth
        y_pred: b x X x Y( x Z...) x c Network output, must sum to 1 over c channel (such as after softmax) 
        epsilon: Used for numerical stability to avoid divide by zero errors
    """
   
    # skip the batch and class axis for calculating Dice score
    axes = tuple(range(1, len(y_pred.shape)-1)) 
    print(axes)
    numerator = 2. * np.sum(y_pred * y_true, axes)
    print(numerator)
    denominator = np.sum(np.square(y_pred) + np.square(y_true), axes)
    print(denominator)
    
    return np.mean(numerator / (denominator + epsilon)) # average over classes and batch

当我使用骰子损失时，结果看起来更合理，在第二种方法的情况下，返回看起来像这样：

return 1-np.mean(numerator / (denominator + epsilon)) # average over classes and batch

但是，这显然不是我需要的。两张图片的形状都是：(224,224,1)

【问题讨论】：

标签： python image-segmentation dice coefficients semantic-segmentation

【解决方案1】：

解决了。该问题是由一张二值图像（真、假）和范围内的分段图像（0-255）引起的。我必须对分割后的图像进行二值化，然后计算骰子系数。

【讨论】：