Accuracy 图像分割评测代码 matalab

以下是一个用 MATLAB 编写的图像分割评测代码，可以计算预测结果与真实标签之间的准确率和其他指标：

function [accuracy, precision, recall, f1, confusion] = evaluate_segmentation(y_true, y_pred)
    % 计算准确率
    accuracy = sum(y_true(:) == y_pred(:)) / numel(y_true);
    % 计算精确率
    precision = sum(y_true(:) & y_pred(:)) / sum(y_pred(:));
    % 计算召回率
    recall = sum(y_true(:) & y_pred(:)) / sum(y_true(:));
    % 计算 F1 分数
    f1 = 2 * precision * recall / (precision + recall);
    % 计算混淆矩阵
    confusion = confusionmat(y_true(:), y_pred(:));
end

其中，`y_true` 是真实标签，`y_pred` 是预测结果，两者都是二维数组（或矩阵），每个元素表示一个像素的标签。可以使用类似以下代码读取图像和标签：

% 读取图像和标签
image = imread('image.png');
label = imread('label.png');

其中，`image.png` 是待分割的图像，`label.png` 是对应的真实标签。可以使用类似以下代码进行预测：

% 进行图像分割
predicted_label = predict(model, image);

其中，`model` 是已经训练好的图像分割模型，可以是任何支持图像分割的模型，例如 U-Net、SegNet、DeepLab 等。`predicted_label` 是预测的标签，与 `y_true` 和 `y_pred` 的格式相同。最后，可以使用 `evaluate_segmentation` 函数计算评估指标：

% 计算评估指标
[accuracy, precision, recall, f1, confusion] = evaluate_segmentation(label, predicted_label);
% 输出评估结果
disp(['Accuracy: ' num2str(accuracy)]);
disp(['Precision: ' num2str(precision)]);
disp(['Recall: ' num2str(recall)]);
disp(['F1 score: ' num2str(f1)]);
disp('Confusion matrix:');
disp(confusion);

其中，`accuracy`、`precision`、`recall`、`f1` 和 `confusion` 分别是准确率、精确率、召回率、F1 分数和混淆矩阵等评估指标。可以根据需要选择输出哪些指标。