『壹』 圖像語義分割准確率度量方法總結
在探討圖像語義分割准確率的度量方法時，主要存在三種評價指標：PA、MPA與MIoU。首先，需要明確幾個符號的含義。
其中，[公式] 代表類別總數，包括背景在內的總數。
而[公式] 則表示，對於真實像素類別為[公式]的像素，被預測為類別[公式]的總數量，即錯分的數量。
[公式] 則表明，對於真實類別為[公式]的像素，其被預測為類別[公式]的總數量，即分對的數量。
PA（Pixel Accuracy）是衡量圖像語義分割准確率的基礎方法，計算方式簡單，即所有分對像素的總數除以所有像素的總數。
MPA（Mean Pixel Accuracy）是對PA的改進，它先對每個類別分別計算PA，然後計算所有類別的PA平均值。
MIoU（Mean Intersection over Union）則是語義分割領域的標准評價指標。它對每個類別分別計算真實標簽與預測結果的交並比（IOU），然後計算所有類別的平均值。相比PA與MPA，MIoU更注重整體准確率，且能更全面地反映不同類別間的准確度差異。
『貳』 圖像分割常用指標及MIoU計算
語義圖像分割結果，可分為True Positive、False Positive、True Negative、False Negative。
Negative指非物體標簽的部分(可直接理解為背景)，Positive指有標簽的部分。
左上圖為真實標注，右上圖為預測結果。從右上圖可以將預測結果分成對應的四個部分：
IoU（Intersection over Union）是一個評價目標檢測、語義圖像分割的不同方法的結果好壞的指標，用於比較模型結果（predicted output）與真實標注（ground truth）的相似程度。
IoU指標可以適用於Single-class的語義圖像分割，但不適用於Multiple-class的語義圖像分割。
以下是幾種逐像素標記的精度標准。假設有k+1個類（其中包含一個空類或背景），i表示真實值，j表示預測值 ，p ij 表示將類i預測為類j的 像素數量 。即，p ii 表示TP，p ij 表示FN，p ji 表示FP，p jj 表示FN。
兩個矩陣，一個代表實際的分割，另一個代表任何神經網路或模型的預測分割
這些矩陣的元素是表示圖像上特定位置的像素所屬的不同類別的標簽。這里，共有 6 個類，標簽為「0」、「1」、「2」、「3」、「4」和「5」，矩陣是 2D numpy 類型，每個大小為 (4 x 4)。
通過以下步驟，計算 MIoU：
步驟 1 ：找出兩個矩陣的每個類的頻率計數（numpy 包中的「bincount」函數）
『叄』 什麼是圖像分割
1 數字圖像處理技術是一個跨學科的領域。隨著計算機科學技術的不斷發展，圖像處理和分析逐漸形成了自己的科學體系，新的處理方法層出不窮，盡管其發展歷史不長，但卻引起各方面人士的廣泛關注。首先，視覺是人類最重要的感知手段，圖像又是視覺的基礎，因此，數字圖像成為心理學、生理學、計算機科學等諸多領域內的學者們研究視覺感知的有效工具。其次，圖像處理在軍事、遙感、氣象等大型應用中有不斷增長的需求。
基於圖論的圖像分割技術是近年來國際上圖像分割領域的一個新的研究熱點。該方法將圖像映射為帶權無向圖，把像素視作節點。利用最小剪切准則得到圖像的最佳分割 該方法本質上將圖像分割問題轉化為最優化問題。是一種點對聚類方法。對數據聚類也具有很好的應用前景。但由於其涉及的理論知識較多，應用也還處在初級階段。因此國內這方面的研究報道並不多見，本文將對圖論方法用於圖像分割的基本理論進行簡要介紹，並對當前圖論方法用於圖像分割的最新研究進展進行綜述，並著重介紹基於等周圖割的圖像分割的方法。
2 圖像目標分割與提取技術綜述
圖像分割是一種重要的圖像技術，在理論研究和實際應用中都得到了人們的廣泛重視。圖像分割的方法和種類有很多，有些分割運算可直接應用於任何圖像，而另一些只能適用於特殊類別的圖像。有些演算法需要先對圖像進行粗分割，因為他們需要從圖像中提取出來的信息。例如，可以對圖像的灰度級設置門限的方法分割。值得提出的是，沒有唯一的標準的分割方法。許多不同種類的圖像或景物都可作為待分割的圖像數據，不同類型的圖像，已經有相對應的分割方法對其分割，同時，某些分割方法也只是適合於某些特殊類型的圖像分割。分割結果的好壞需要根據具體的場合及要求衡量。圖像分割是從圖像處理到圖像分析的關鍵步驟，可以說，圖像分割結果的好壞直接影響對圖像的理解。
3 定義及分割方法
為後續工作有效進行而將圖像劃分為若干個有意義的區域的技術稱為圖像分割(Image Segmentation)
目前,有許多的圖像分割方法,從分割操作策略上講,可以分為基於區域生成的分割方法,基於邊界檢測的分割方法和區域生成與邊界檢測的混合方法.