Python|遥感影像语义分割：常用精度指标及其Python实现

深度学习中的常用精度指标：

基本概念

在介绍精度指标前我们先来明确以下几个概念，对应的示意图如下图所示：

TP(True Positive)：分类准确的正类，意思是预测结果为正类，实际上是正类。

FP(False Positive)：被错分类为正类的负类，意思是实际为负类，但是却被预测为正类。

TN(True Negative)：分类准确的负类，意思是预测结果为负类，实际上是负类。

FN(False Negative)：被错分类为负类的正类，意思是实际为正类，但是却被预测为负类。

 

精度评价指标

1. 准确率

准确率（Accuracy），是评估分类模型性能的一种基本指标。准确率衡量的是模型正确预测的样本数与总样本数之间的比例。准确率的具体计算公式如下：
$$
\text { Accuracy }=\frac{T P+T N}{T P+F P+F N+T N}
$$

2. 精确率

精确率（Precision）的含义是正确预测为正样本的占全部预测为正样本的比例，高的精确率意味着模型的现有预测结果尽可能不出错，但同时漏检的比例也大大增加，精确率的计算公式如下：
$$
\text { Precision }=\frac{T P}{T P+F P}
$$

3. 召回率

召回率（Recall）是针对原样本而言的，其含义是在实际为正的样本中被预测为正样本的概率。召回率的计算公式如下：
$$
\text { Recall }=\frac{T P}{T P+F N}
$$

4. F1分数

在理想状态下，希望模型的精确率和召回率都尽可能高。然而这两个指标往往存在相互制约的关系，提高一个指标可能会导致另一个指标下降。为了平衡精确率和召回率，通常使用F1分数（F1 Score）作为评价指标。F1分数是精确率和召回率的调和平均数，能够有效地反映模型的精确性和鲁棒性，是评估分类模型性能的重要指标。其计算公式如下：
$$
F_1=\frac{2 \times \text { Precision } \times \text { Recall }}{\text { Precision }+ \text { Recall }}
$$

5. 交并比

交并比（Intersection over union，IoU）是某一类别预测结果和真实值的交集与并集的比值，是语义分割中常用的评价指标，其计算公式如下：

$$
I o U=\frac{T P}{T P+F N+F P}
$$

python实现

使用sklearn提供的计算各项精度指标的包来计算精度指标

# -*- coding: utf-8 -*-
# 直接使用sklearn计算精度指标
import numpy as np
from sklearn.metrics import confusion_matrix, f1_score, recall_score, precision_score, accuracy_score


def one_hot_to_integer(labels):
    """将one-hot编码的标签转换为整数标签"""
    return np.argmax(labels, axis=1).astype(int)


def accuracy_evaluate(label, pred):
    pred = one_hot_to_integer(pred)
    label = one_hot_to_integer(label)
    pred = pred.reshape(-1)
    label = label.reshape(-1)

    Acc = accuracy_score(label, pred)
    precision = precision_score(label, pred, average='micro')
    recall = recall_score(label, pred, average='micro')
    F1 = f1_score(label, pred, average='micro')

    conf_mat = confusion_matrix(label, pred)

    intersection = np.diag(conf_mat)
    union = np.sum(conf_mat, axis=1) + np.sum(conf_mat, axis=0) - np.diag(conf_mat)
    IoU = intersection / union

    return Acc, precision, recall, F1, IoU[0]