道路分割的iou指标代码

在计算机视觉领域，道路分割的任务是识别和分割图像中的道路区域。评估分割模型性能的一个重要指标是交并比（Intersection over Union, IoU）。IoU 是预测分割区域与真实标注区域重叠程度的量化度量。具体来说，IoU 是预测区域和真实区域的交集与它们的并集的比值。

以下是一个简单的 Python 代码示例，展示如何计算 IoU 指标：

def calculate_iou(predicted_mask, true_mask):
    """
    计算预测的 mask 和真实的 mask 的交并比。
    
    参数:
    predicted_mask: numpy array, 预测的 mask, 值为0或1。
    true_mask: numpy array, 真实的 mask, 值为0或1。
    
    返回:
    iou: float, 计算出的 IoU 值。
    """
    # 确保输入的 mask 是二值的
    assert predicted_mask.shape == true_mask.shape
    
    # 计算交集
    intersection = np.logical_and(predicted_mask, true_mask)
    union = np.logical_or(predicted_mask, true_mask)
    
    # 计算 IoU
    iou = np.sum(intersection) / np.sum(union)
    
    return iou

# 示例使用
# 假设 predicted_mask 和 true_mask 是对应预测结果和真实标注的二维数组
# 其中1代表预测或标注的道路区域，0代表非道路区域

# 计算 IoU
iou_value = calculate_iou(predicted_mask, true_mask)
print(f"IoU value: {iou_value}")

请注意，在实际应用中，`predicted_mask` 和 `true_mask` 应该是相同的尺寸，并且包含了二值化的分割结果（例如，预测值通常通过阈值处理从概率图得到）。`iou_value` 将返回一个0到1之间的数值，其中1表示完美重合，0表示完全没有重合。