图像分割的性能测试指标小结

图像分割性能评估方法，主要从文本检索中借鉴而来。因为我们可以将分割的像素点根据是否有无标记，映射到文本的相关性与否上来，这样就可以将文本检索中的性能评估引入到图像分割性能评估中。文本检索中两个重要指标分别是precision/准确率和recall/回归率。

以这两个指标为基础，并总结参考文章，图像分割性能评估主要有以下几种指标。

1.AP（Average Precision）

以recall为横坐标（0~1），precision为纵坐标（0~1）作图。得到一条曲线。该曲线下的面积即为AP。

该图上红色曲线的覆盖面积最大，其对应算法的结果性能在几种算法中最优。

对所有类别求平均值，得到MAP。

 

其中Q为类别数。

举例：如在《Learning Rich Feartures from rgbd images for object detection & segmentation》中，作者采用的评估策略就是AP。

 

同时，Fmax指的就是F-Measure，其计算公式为：

 

其中 B是参数，P是精确率(Precision)，R是召回率(Recall)。

2.IU/IoU（Intersection over Union）

对于两个区域R和R’，其overlap计算如下：

 

其covering指标计算为：

 

举例：《 Fully Convolutional Networks for Semantic Segmentation》中使用IU指标。

 

此外，在《Selective Search》中还使用了ABO指标如下。可以看到其本质上就是IoU。

对于每个固定的类别c，每个真实情况（ground truth）表示为 ，令计算得到的位置假设L中的每个值l，那么 ABO的公式表达为：

 

重叠率的计算方式：

 

上面结果给出的是一个类别的ABO，对于所有类别下的性能评价，很自然就是使用所有类别的ABO的平均值MABO（Mean Average Best Overlap）来评价。

3.其他指标

上述两项比较常用，大家普遍采用。还有一些评估策略，如PRI等。列出如下。

 

具体可参考论文《Measures and Meta-Measures 2013 CVPR paper》

-----------------------------------------------------------------------------------------------

参考文献

[1] Measures and Meta-Measures for the Supervised Evaluation of Image Segmentation.">Jordi Pont-Tuset and Ferran Marques Universitat Politecnica de Catalunya BarcelonaTech 

[2] Scene Parsing with Object Instances and Occlusion Ordering. Joseph Tighe Marc Niethammer Svetlana Lazebnik

[3] Contour Detection and Hierarchical Image Segmentation.>Pablo Arbelaez, ´ Member, IEEE, Michael Maire, Member, IEEE,Charless Fowlkes, Member, IEEE, and Jitendra Malik, Fellow, IEEE.

[4] Simultaneous Detection and Segmentation.Bharath Hariharan1, Pablo Arbel´aez1,2, Ross Girshick1, and Jitendra Malik.