常见指标 Iou,dice,accuracy,recall,sensitivity,precision,F1-score,specificity 图解以及计算代码

指标解释

开始之前需要了解混淆矩阵的知识。另外我还在公式中添加了1e-7作为分子。原因为了避免代码中出现分子为0的情况。本次介绍时，直接写到公式里面。

混淆矩阵如图，如何看呢？在进行图像分割时
比如某个像素点，我们预测为类别P ，真实情况是类别P。那么这个像素点的情况就是“一个预测正确的P”，记为TP （True Positive）
比如某个像素点，我们预测为类别P ，真实情况是类别N。那么这个像素点的情况就是“一个预测错误的P”，记为FP （False Positive）
其他（FN，TN）同理。

将混淆矩阵放到真实图像中，就是这样的情况。
如图是一张图片的情况，GT就是我们数据集图片标注的区域，predict就是我们模型预测出的区域。

predict与GT一定存在差异，这些差异需要依靠评价指标来衡量。不同的评价指标对不同方向的差异有不同侧重点。
下面介绍评价指标：

IOU，Jaccard index

IOU(Intersection over Union)即交并比，顾名思义，即交集与并集的比值。在图像分割中，我们就计算 GT，Predict的交集与并集的比值。

很多论文还会说的杰卡德指数（Jaccard index），其实就是交并比。

混淆矩阵	公式	公式图解

Dice coefficient，F1-score

网上有很多关于这两个指标的计算，其实就是同一个计算（不服请推导）。

F1-score是为了能够评价不同算法的优劣，在Precision和Recall的基础上提出了F1值的概念，来对Precision和Recall进行整体评价。F1-score（均衡平均数）是综合考虑了模型查准率和查全率的计算结果，取值更偏向于取值较小的那个指标。F1的定义如下：

Dice 系数，也称为 F1 分数，是两个集合之间重叠的度量，范围为 0 到 1。值为 1 表示完全重叠，而 0 表示没有重叠。
dice损失，和dice系数（dice coefficient）的关系是：dice loss = 1-dice coefficient。
这个指标很常见，用的频次比 IOU 还多，主要有：

1. Dice 系数广泛用于评估图像分割模型的性能，因此使用 Dice 损失有助于优化该指标的模型

2. Dice 损失可以处理类别不平衡，这通常是医学图像分割中的一个问题，其中某些类别可能比其他类别更普遍。

3. Dice 损失是可微的，这使得它可以与基于梯度的优化算法结合使用。

混淆矩阵	公式	公式图解

Accuracy

accuracy指的是正确预测的样本数占总预测样本数的比值，它不考虑预测的样本是正例还是负例。如果在代码中只考虑正样本，可以在公式中去掉分子tn。

混淆矩阵	公式	公式图解