[发明专利]一种纹样图像分割算法评价方法

权利要求书

1.一种传统纹样图像分割评价方法，其特征在于：包括以下步骤：

步骤1、收集若干传统纹样图像，人工对传统纹样图像中的实例对象进行标注并得到相应的标签灰度图，从而获得由传统纹样图像和对应标签灰度图组成的数据集；将所述数据集随机划分为训练集和验证集；

步骤2、使用训练集训练语义分割模型，设定语义分割模型的语义种类数量等于标签灰度图的标签种类数量n，直至能量函数收敛，训练结束；

步骤3、使用验证集中的图像对训练完成的语义分割模型进行验证：

3.1、计算图像预测的准确率PA

使用训练完成的语义分割模型对验证集中的传统纹样图像进行分割，获得预测语义图，并根据下式计算预测语义图的准确率

p_ij表示标签为i的类别被预测为标签j的像素数量，则p_ii表示标签为i的类别被预测为标签i的像素数量，即正确预测的数量，p_ji则表示标签为j的类别被预测为标签i的像素数量；

3.2、计算预测语义图的均交并比MIoU

根据预测语义图和对应的标签灰度图进行计算均交并比MIoU

3.3、计算预测语义图的边缘准确率EA；

获取预测语义图和标签灰度图的边缘轮廓，然后根据下式计算的预测语义图边缘准确率EA

E_ii表示边缘像素标签为i的类别被正确预测的像素数量，E_ij表示为边缘像素标签为i的类别被预测为标签j的像素数量

3.4、计算交互复杂度IA

式中，m_i表示类别为i的人工交互输入点的像素的数量，若无人工交互则IA为0；

3.5、四个评价指标进行归一化处理，然后进行加权平均获得语义分割模型的评价指标f(I)：

f(I)＝αPA(I)+βMIoU(I)+γEA(I)+δIA(I)

其中，I表示图像，α、β、γ、δ则是不同评价指标的权值。

2.根据权利要求1所述的传统纹样图像分割评价方法，其特征在于：准确率、边缘准确率的取值范围均在[0,1]之间，值越高代表分割图像的质量越高。

3.根据权利要求1所述的传统纹样图像分割评价方法，其特征在于：交互复杂度取值范围为[0,1]，相同性能的情况下，交互复杂度越低，模型分割质量越好。

4.根据权利要求1所述的传统纹样图像分割评价方法，其特征在于：均交并比的取值范围为[0,+∞)之间，使用对数函数以及RelU函数将其归一化处理后映射到[0,1]之间。

5.根据权利要求1所述的一种传统纹样图像分割评价方法，其特征在于：所述步骤3.5中，α＝0.25，β＝0.25，γ＝0.25，δ＝0.25。