深度学习图像分割评测指标MIOU之python代码详解

博主刚期末考完，就又又又被抓来干活了！这次的任务是！帮学长的论文实验的分割结果与正确的分割结果（ground truth）做个对比，给出测评结果。于是，我就找了目前几个主流的评测指标如下：

• Pixel Accuracy(PA，像素精度)：这是最简单的度量，为标记正确的像素占总像素的比例。

• Mean Pixel Accuracy(MPA，均像素精度)：是PA的一种简单提升，计算每个类内被正确分类像素数的比例，之后求所有类的平均。

• Mean Intersection over Union(MIoU，均交并比)：为语义分割的标准度量。其计算两个集合的交集和并集之比，在语义分割的问题中，这两个集合为真实值（ground truth）和预测值（predicted segmentation）。这个比例可以变形为正真数（intersection）比上真正、假负、假正（并集）之和。在每个类上计算IoU，之后平均。（最常用）

• Frequency Weighted Intersection over Union(FWIoU，频权交并比):为MIoU的一种提升，这种方法根据每个类出现的频率为其设置权重。

  我们选用的评测度量是MIOU，下面介绍一下MIOU衡量的具体思想。
  如图所示，A代表ground truth，B代表预测样本。针对预测值和真实值之间的关系，我们可以将样本分成以下四部分（这是论文中常见的四个名称，看了一学期的论文现在我才顿悟啊！真的菜！！）

• 真正值（TP）：预测值为1，真实值为1；橙色，A∩B

• 真负值（TN）：预测值为0，真实值为0；白色，~(A∪B)

• 假正值（FP）：预测值为1，真实值为0；黄色，B-(A∩B)

• 假负值（FN）：预测值为0，真实值为1；绿色，A-(A∩B)
  MIOU=TP/(FP+FN+TP)
  
  接下来给出计算MIOU的核心代码，基于此篇博客进行更加详细地说明和相应的改写（因为实验所用的数据集是VOC2011,不是CITYSCAPES）(https://blog.youkuaiyun.com/jiongnima/article/details/84750819)

#!/usr/bin/python
# -*- coding: utf-8 -*-

import numpy as np
import argparse
import json
from PIL import Image
from os.path import join

#设标签宽W，长H
def fast_hist(a, b, n):#a是转化成一维数组的标签，形状(H×W,)；b是转化成一维数组的标签，形状(H×W,)；n是类别数目，实数（在这里为19）
    '''
	核心代码
	'''
    k = (a >= 0) & (a < n) #k是一个一维bool数组，形状(H×W,)；目的是找出标签中需要计算的类别（去掉了背景） k=0或1
    return np.bincount(n * a[k].astype(int) + b[k], minlength=n ** 2).reshape(n, n)#np.bincount计算了从0到n**2-1这n**2个数中每个数出现的次数，返回值形状(n, n)


def per_clas