python计算两幅图像交并比并由此计算TP,FP,FN

计算两幅图像的交并比可以使用以下代码：

import numpy as np
import cv2

def compute_iou(bbox1, bbox2):
    """
    计算两个bbox之间的IoU
    bbox1, bbox2: [x1, y1, x2, y2]
    """
    x1 = max(bbox1[0], bbox2[0])
    y1 = max(bbox1[1], bbox2[1])
    x2 = min(bbox1[2], bbox2[2])
    y2 = min(bbox1[3], bbox2[3])
    inter_area = max(0, x2 - x1 + 1) * max(0, y2 - y1 + 1)
    bbox1_area = (bbox1[2] - bbox1[0] + 1) * (bbox1[3] - bbox1[1] + 1)
    bbox2_area = (bbox2[2] - bbox2[0] + 1) * (bbox2[3] - bbox2[1] + 1)
    iou = inter_area / float(bbox1_area + bbox2_area - inter_area)
    return iou

def compute_iou_image(gt_image, pred_image, threshold=0.5):
    """
    计算两幅图像之间的交并比
    gt_image: 真实图像
    pred_image: 预测图像
    threshold: IoU阈值，默认为0.5
    """
    # 将图像转换为二值图
    gt_image = cv2.threshold(gt_image, 0, 1, cv2.THRESH_BINARY)[1]
    pred_image = cv2.threshold(pred_image, 0, 1, cv2.THRESH_BINARY)[1]
    # 计算交集和并集
    intersection = np.logical_and(gt_image, pred_image).sum()
    union = np.logical_or(gt_image, pred_image).sum()
    # 计算IoU
    iou = intersection / union
    return iou >= threshold

该代码接受两幅图像作为输入，并返回一个布尔值，表示两幅图像之间是否存在交并比大于等于阈值的重叠区域。

接下来，可以使用该函数来计算 TP、FP 和 FN：

def compute_tp_fp_fn(gt_image, pred_image, threshold=0.5):
    """
    计算图像分割的TP、FP和FN
    gt_image: 真实图像
    pred_image: 预测图像
    threshold: IoU阈值，默认为0.5
    """
    iou = compute_iou_image(gt_image, pred_image, threshold)
    tp = np.count_nonzero(iou)
    fp = np.count_nonzero(pred_image) - tp
    fn = np.count_nonzero(gt_image) - tp
    return tp, fp, fn

该代码接受两幅图像和一个 IoU 阈值作为输入，并返回 TP、FP 和 FN 的数量。其中，TP 表示正确预测的正样本数量，FP 表示错误预测的正样本数量，FN 表示未能正确预测的正样本数量。