道路分割计算iou，miou，dice完整代码

道路分割任务中，通常需要计算预测分割结果与真实分割结果之间的交并比（Intersection over Union，IoU）和平均交并比（Mean IoU，mIoU），以及Dice系数。以下是这些计算的Python代码示例。

import numpy as np

# 计算两个mask之间的IoU
def IoU(mask1, mask2):
    # 计算交集和并集
    intersection = np.logical_and(mask1, mask2)
    union = np.logical_or(mask1, mask2)
    # 计算IoU
    iou_score = np.sum(intersection) / np.sum(union)
    return iou_score

# 计算多个mask之间的mIoU
def mIoU(masks1, masks2):
    IoU_list = []
    for i in range(len(masks1)):
        mask1 = masks1[i]
        mask2 = masks2[i]
        IoU_list.append(IoU(mask1, mask2))
    # 返回平均值
    return np.mean(IoU_list)

# 计算两个mask之间的Dice系数
def Dice(mask1, mask2):
    # 计算交集的两倍
    dice_score = 2 * np.sum(np.logical_and(mask1, mask2)) / (np.sum(mask1) + np.sum(mask2))
    return dice_score

# 假设我们有两个mask，mask1和mask2，这里只是示例，实际中应该加载真实的mask数据
mask1 = np.array([[1, 0], [0, 1]])
mask2 = np.array([[0, 1], [1, 0]])

# 计算IoU
iou = IoU(mask1, mask2)
print("IoU:", iou)

# 计算Dice系数
dice = Dice(mask1, mask2)
print("Dice:", dice)

# 如果有多组mask，例如一个批次的预测和真实的分割结果，可以使用mIoU函数
# 假设masks1和masks2分别包含了这个批次所有的预测和真实mask
masks1 = [mask1, mask1, mask1]  # 示例，实际中应该是不同的mask
masks2 = [mask2, mask2, mask2]  # 示例，实际中应该是真实的mask

# 计算mIoU
miou = mIoU(masks1, masks2)
print("mIoU:", miou)

请注意，在实际应用中，你可能需要从图像中读取mask数据，通常是通过图像分割算法的输出和真实标注来获取。此外，确保mask数据是正确的布尔数组或像素值为0和1的数组。当处理批次数据时，所有mask应该具有相同的维度。