一、常用图像分割指标详解

在理解和计算图像分割评估指标之前，需要先了解与之相关的混淆矩阵（Confusion Matrix）的四个指标：真正例（True Positive, TP）、假正例（False Positive, FP）、假负例（False Negative, FN）和真负例（True Negative, TN）。

• TP（真正例）：模型正确预测为前景的像素数。
• FP（假正例）：模型错误地将背景预测为前景的像素数。
• FN（假负例）：模型错误地将前景预测为背景的像素数。
• TN（真负例）：模型正确预测为背景的像素数。

具体的混淆矩阵如下：

预测/实际	前景	背景
前景	TP	FP
背景	FN	TN

这个矩阵展示了模型在前景和背景像素上的预测情况。通过这个矩阵，我们可以进一步计算其他评估指标，如交并比 (IoU)、Dice系数，准确率和F1分数等。

---

1、交并比 (IoU)

核心原理
衡量预测分割区域与真实标签之间的空间重叠度（两个集合相似度的统计量）的评估指标。

数学公式：
$$IoU=\frac{TP}{TP+FP+FN}$$

或者
$$IoU=\frac{|A\cap B|}{|A\cup B|}$$
其中：

• ( A ) 是预测的分割区域。
• ( B ) 是真实的分割区域。
• $(|A\cap B|)$ 表示预测和真实分割区域的交集（重叠区域）。
• $(|A\cup B|)$ 表示预测和真实分割区域的并集。

IoU 特性：

• 取值范围[0,1]，值越大性能越好
• 对类别不平衡敏感，对边界误差敏感
• 直观反映分割边界的相似程度

---

2、Dice系数

核心原理
Dice系数同样通过集合相似度度量分割效果，与IoU类似，但公式略有不同。

数学公式：
$$Dice=\frac{2\times TP}{2\times TP+FP+FN}$$

Dice系数与IoU之间存在以下关系：
$$Dice=\frac{2\times IoU}{1+IoU}$$

Dice系数特性：

• 取值范围[0,1]
• 对FN的惩罚力度小于IoU
• Dice系数更强调重叠区域，对小物体的分割更敏感，适用于小目标检测

注

• 对类别不平衡敏感，当背景区域远大于目标区域时效果可能虚高
• 常用于二分类任务，多分类时可计算每个类别的Dice后取平均

---

3、像素准确率（PA）

核心原理

整体像素级别的分类准确率

数学公式：
$$PA=\frac{TP+TN}{TP+TN+FP+FN}$$

局限性：

• 当背景像素占主导时易虚高
• 不适用于类别严重不均衡场景

（虽然准确率可以判断总的正确率，但是在样本不平衡的情况下，并不能作为很好的指标来衡量结果。）

---

4、平均交并比（mIoU）

核心原理
多类别场景下的平均IoU指标

计算流程：

1. 计算每个类别的IoU
2. 求各类别IoU的算术平均

数学公式：
$$mIoU=\frac{1}{K}\sum _{k=1}^{K}Io{U}_k$$

---

5、豪斯多夫距离（HD）

核心原理
豪斯多夫距离用于衡量两个点集之间的相似性(衡量预测边界与真实边界之间的最大空间距离，对分割边缘敏感)

数学定义：

设集合 ( A ) 和集合 ( B ) 是两个点集，豪斯多夫距离 ( HD(A, B) ) 定义为：

H D ( A , B ) = max ⁡ { h ( A , B ) , h ( B , A ) } HD(A, B) = \max \{ h(A, B), h(B, A) \} HD(A,B)=max{h(A,B),h(B,A)}

其中：

$$h(A,B)=\underset{a\in A}{\max }\underset{b\in B}{\min }d(a,b)$$

$$h(B,A)=\underset{b\in B}{\max }\underset{a\in A}{\min }d(a,b)$$

改进：
$$H{D}_{95}=95\%\text{分位数距离}$$

• 对异常值敏感，HD95通过取95%分位数提升鲁棒性

说明：

• d(a, b)：表示点a 和点b之间的欧几里得距离或其他距离度量。
• h(A, B) ：表示集合A中每个点到集合B中最近点的最大距离。
• h(B, A)：表示集合B中每个点到集合A中最近点的最大距离。
• HD(A, B)：是这两个单向距离的最大值，用于衡量两个点集之间的最大分离程度。

应用价值：

• 评估边界分割的精细程度

---

6、灵敏度与特异度

核心原理
灵敏度（召回率）衡量实际正样本中被正确预测为正样本的比例，值越大说明漏检越少。
特异度衡量实际负样本中被正确预测为负样本的比例，值越大说明误检越少。

灵敏度：
$$Sensitivity=\frac{TP}{TP+FN}$$

特异度：
$$Specificity=\frac{TN}{TN+FP}$$

临床意义：

• 灵敏度：适用于关注捕捉所有正样本的场景，例如癌症筛查中减少漏诊。
• 特异度：适用于关注正确识别负样本的场景，例如确保正常病例不被误诊。

---

7、F1-Score

核心原理
精确率与召回率的调和平均

数学公式：
$$F1=\frac{2\times Precision\times Recall}{Precision+Recall}$$

扩展形式：
$$F_{\beta }=(1+{\beta }^2)\frac{Precision\times Recall}{{\beta }^2\times Precision+Recall}$$

应用特点：

• β=1时为标准F1值
• β>1时强调召回率
• β<1时强调精确率

---

---

8、真正率（TPR）与假正率（FPR）

真正率（TPR）
真正率（True Positive Rate，TPR）也称为召回率，表示实际正样本中被正确预测为正样本的比例。反映模型对真实正例的捕捉能力（避免漏检），又称灵敏度或召回率。

数学公式：
$$TPR=\frac{TP}{TP+FN}$$

假正率（FPR）
假正率（False Positive Rate，FPR）表示实际负样本中被错误预测为正样本的比例。反映模型对真实负例的误判程度（减少误检），与特异度（Specificity）​互补。

数学公式：
$$FPR=\frac{FP}{FP+TN}$$

其中：

• TPR与灵敏度等价，FPR = 1 - 特异度
• 两者共同构成ROC曲线的坐标轴

示例：

在一个样本中，正样本占90%，负样本仅占10%。这种不平衡会导致模型的高准确率缺乏实际意义，因为它可能只是简单地将大多数样本预测为正样本。

然而，TPR和FPR的计算方式则有所不同。TPR只关注正样本的识别情况，衡量90%正样本中有多少被正确识别，与负样本无关；而FPR只关注负样本的误判情况，衡量10%负样本中有多少被错误识别为正样本，与正样本无关。因此，TPR和FPR能更精准地评估模型性能，避免因样本不平衡带来的误导。

---

9、接收者操作特征曲线（ROC）与曲线下面积（AUC）

ROC曲线
​ROC曲线（Receiver Operating Characteristic Curve）​通过遍历所有分类阈值，绘制TPR-FPR的关系曲线来展示模型在不同阈值下的性能。

ROC曲线特性

改变阈值只是改变了预测的正负样本数，即TPR和FPR，但是曲线本身是不会变的（所以ROC曲线可以无视样本不平衡）。TPR越高，同时FPR越低（即ROC曲线越陡），那么模型的性能就越好。

AUC值
AUC（Area Under the Curve）ROC曲线与坐标轴围成的面积，对所有可能的分类阈值的效果进行综合衡量，用于量化模型的整体性能。AUC值越高，模型的性能越好。

数学公式：

• AUC值的计算通常通过梯形法则对ROC曲线下的面积进行积分。

AUC特性：

• AUC值范围为 [0,1]。
• AUC=0.5 表示模型无区分能力（随机猜测）。
• AUC=1 表示模型完美区分正负样本。

---

二、基于 PyTorch 实现上述评估指标的示例代码

import torch
import torch.nn.functional as F
import numpy as np
from scipy.spatial.distance import directed_hausdorff
from sklearn.metrics import roc_auc_score, roc_curve

# 随机生成一个简单的二分类分割任务
def generate_random_data(height, width):
    # 随机生成预测结果（概率图）
    pred = torch.rand(4, 2, height, width)  # (batch_size, num_classes, height, width)
    pred = F.softmax(pred, dim=1)  # 归一化为概率
    pred_labels = torch.argmax(pred, dim=1).float()  # 转换为二值标签图

    # 随机生成真实标签
    target = torch.randint(0, 2, (4, height, width)).float()  # (batch_size, height, width)

    return pred, pred_labels, target

# 计算混淆矩阵的四个指标
def get_confusion_matrix(pred_labels, target):
    TP = ((pred_labels == 1) & (target == 1)).sum().item()
    FP = ((pred_labels == 1) & (target == 0)).sum().item()
    FN = ((pred_labels == 0) & (target == 1)).sum().item()
    TN = ((pred_labels == 0) & (target == 0)).sum().item()
    return TP, FP, FN, TN

# 1. 交并比 (IoU)
def iou_score(TP, FP, FN):
    return TP / (TP + FP + FN) if (TP + FP + FN) > 0 else 0

# 2. Dice 系数
def dice_score(TP, FP, FN):
    return (2 * TP) / (2 * TP + FP + FN) if (2 * TP + FP + FN) > 0 else 0

# 3. 像素准确率 (PA)
def pixel_accuracy(TP, TN, FP, FN):
    return (TP + TN) / (TP + TN + FP + FN) if (TP + TN + FP + FN) > 0 else 0

# 4. 平均交并比 (mIoU)
def mean_iou(TP, FP, FN, TN):
    iou_foreground = TP / (TP + FP + FN) if (TP + FP + FN) > 0 else 0
    iou_background = TN / (TN + FN + FP) if (TN + FN + FP) > 0 else 0
    return (iou_foreground + iou_background) / 2

# 5. 豪斯多夫距离 (HD)
def hausdorff_distance(pred_labels, target):
    pred_points = np.argwhere(pred_labels.numpy() == 1)
    target_points = np.argwhere(target.numpy() == 1)
    
    if len(pred_points) == 0 or len(target_points) == 0:
        return float('inf')  # 处理空点集情况
    
    hd1 = directed_hausdorff(pred_points, target_points)[0]
    hd2 = directed_hausdorff(target_points, pred_points)[0]
    return max(hd1, hd2)


# 6. 灵敏度 (Sensitivity) 和 特异度 (Specificity)
def sensitivity_specificity(TP, TN, FP, FN):
    sensitivity = TP / (TP + FN) if (TP + FN) > 0 else 0
    specificity = TN / (TN + FP) if (TN + FP) > 0 else 0
    return sensitivity, specificity

# 7. F1-Score
def f1_score(TP, FP, FN):
    precision = TP / (TP + FP) if (TP + FP) > 0 else 0
    recall = TP / (TP + FN) if (TP + FN) > 0 else 0
    f1 = (2 * precision * recall) / (precision + recall) if (precision + recall) > 0 else 0
    return f1

# 8. 真正率 (TPR) 和 假正率 (FPR)
def tpr_fpr(TP, TN, FP, FN):
    tpr = TP / (TP + FN) if (TP + FN) > 0 else 0
    fpr = FP / (FP + TN) if (FP + TN) > 0 else 0
    return tpr, fpr

# 9. AUC
def compute_auc(pred, target):
    pred_prob = pred[:, 1, :, :].flatten().numpy()  # 取前景的概率值
    target = target.flatten().numpy()
    auc = roc_auc_score(target, pred_prob)
    return auc

# 主函数
if __name__ == "__main__":
    # 随机生成数据
    height, width = 256, 256
    pred, pred_labels, target = generate_random_data(height, width)

    # 计算混淆矩阵
    TP, FP, FN, TN = get_confusion_matrix(pred_labels, target)

    # 计算评估指标
    iou = iou_score(TP, FP, FN)
    dice = dice_score(TP, FP, FN)
    pa = pixel_accuracy(TP, TN, FP, FN)
    miou = mean_iou(TP, FP, FN, TN)
    hd = hausdorff_distance(pred_labels, target)
    sensitivity, specificity = sensitivity_specificity(TP, TN, FP, FN)
    f1 = f1_score(TP, FP, FN)
    tpr, fpr = tpr_fpr(TP, TN, FP, FN)
    auc = compute_auc(pred, target)

    # 打印结果
    print(f"Confusion Matrix: TP={TP}, FP={FP}, FN={FN}, TN={TN}")
    print(f"IoU: {iou:.4f}")
    print(f"Dice Score: {dice:.4f}")
    print(f"Pixel Accuracy: {pa:.4f}")
    print(f"Mean IoU: {miou:.4f}")
    print(f"Hausdorff Distance: {hd:.4f}")
    print(f"Sensitivity: {sensitivity:.4f}, Specificity: {specificity:.4f}")
    print(f"F1-Score: {f1:.4f}")
    print(f"TPR: {tpr:.4f}, FPR: {fpr:.4f}")
    print(f"AUC: {auc:.4f}")
    

输出示例：

Confusion Matrix: TP=65974, FP=65375, FN=65306, TN=65489
IoU: 0.3355
Dice Score: 0.5024
Pixel Accuracy: 0.5015
Mean IoU: 0.3347
Hausdorff Distance: 1.7321
Sensitivity: 0.5025, Specificity: 0.5004
F1-Score: 0.5024
TPR: 0.5025, FPR: 0.4996
AUC: 0.5020

---

三、部分指标对比总结

指标	优势领域	敏感因素	计算复杂度	适用场景
IoU	通用分割	边界误差	O(n)	一般性评估
Dice	医学影像	小目标漏检	O(n)	病灶分割
HD	边界精度	最大偏差	O(n log n)	精细结构分割
mIoU	多类别分割	类别均衡度	O(Kn)	语义分割

---