为了评估图像分割算法的优劣，研究人员已开发出多种评价指标。这类指标主要模拟人类视觉感知机制，围绕错误率、分割轮廓质量、区域质量及其他相关维度构建。

混淆矩阵

在机器学习中，混淆矩阵是一个误差矩阵，常用来可视化地评估分类算法的性能。混淆矩阵是大小为 \(n \times n\) 的矩阵，其中 \(n\) 表示类别的数量。下表是二分类场景下的混淆矩阵。

注：TP (true positive)，即真阳性；FP (false positive)，即假阳性；FN (false negative)，即假阴性；TN (true negative)，即真阴性。

关键概念解释：

• TP (True Positive)：正确预测为正类的像素。
• FP (False Positive)：错误预测为正类的像素（误报）。
• FN (False Negative)：错误预测为负类的像素（漏报）。
• TN (True Negative)：正确预测为负类的像素。

因此，在模型评估中，通常先统计得出相应的混淆矩阵，然后再计算出相应的准确性评价指标。

准确率评价指标：

包括像素准确率（不分类别），平均像素准确率（每一类单独计算准确性，最后对所有类的准确性取均值），精确率/召回率/F1分数。

精确率(Precision) ：衡量预测值为正的样本中实际为正的比例，在需要控制误检的场景（如自动驾驶障碍物检测）中尤为重要。

召回率(Recall)：反映真实值为正的样本被正确检测的比例，在医疗影像等漏检代价高的场景具有关键价值。

这里 F1 分数是精确率和召回率的调和平均数，，用于在两者需要平衡时作为一个综合指标。F1 强迫模型不能”偏科”——只有一个高、另一个很低时，F1 都会被拉低。

区域质量评价指标：

下文中 A 和 B 分别表示真实分割图与预测分割图。

包括 Dice 系数（等价于 F1 系数），交并比（IOU）等。Dice 系数和 F1 系数是同一个公式的“两个马甲”，只是出身不同（F1 来自信息检索/分类任务，Dice 来自生态学/统计学）。 \[ Dice = 2TP / (2TP+FP+FN) \]

轮廓质量评价指标：

下面给的公式不清楚，而且这里第三个指标的 MSD 和 第一个指标 HD 是一样的，重复了。

这里详细解释一下。

Hausdorff距离（HD） 是图像分割中一个重要的形状相似性度量指标。与关注逐像素重叠的指标不同，Hausdorff距离专注于衡量两个点集（如分割轮廓和真实轮廓）边界之间的最大不匹配程度。

简单来说，它回答了这样一个问题：“集合A中的哪一个点，离集合B中的任何一个点最远？这个最远的距离是多少？”。这个距离越小，说明两个集合的轮廓越吻合。

Hausdorff距离的计算分为两步：单向距离和双向距离。

1. 单向Hausdorff距离 (Directed Hausdorff Distance) 它衡量从集合A到集合B的单向最大不匹配度。

   • 从A到B的单向距离（欧几里得距离），记作 ( h(A, B) )，定义为： \[ h(A, B) = \max_{a \in A} \left\{ \min_{b \in B} \| a - b \| \right\} \]

   • 解读：对于集合A中的每一个点 a，先找到它在集合B中距离最近的那个点 b，并计算它们之间的距离。然后，在所有a点计算出的这些“最近距离”中，取最大值。

2. 双向Hausdorff距离 (Bidirectional Hausdorff Distance) 这才是我们通常所说的Hausdorff距离。它取两个方向单向距离的最大值，以保证对称性。

   • 公式： \[ H(A, B) = \max \left( h(A, B), h(B, A) \right) \]

   • 解读：h(A, B) 衡量了集合A中的点是否都被集合B“覆盖”到；而 h(B, A) 则衡量了集合B中的点是否都被集合A“覆盖”到。最终结果取两者中的较大值，代表了两个集合之间最严重的偏离程度。

在实际使用中，需要注意以下几点：

• 距离度量：最常用的是欧几里得距离，但也支持曼哈顿距离或棋盘距离等。
• 方向性：可以选择计算单向（directed=True）或双向（directed=False）距离。
• 百分位数（Percentile）：由于标准Hausdorff距离对离群点极其敏感，一个常用变体是百分位数Hausdorff距离（如95% HD）。它忽略最极端的5%距离，取第95百分位的距离作为结果，以增强鲁棒性。
• 平均Hausdorff距离：另一种变体是计算所有点到对方集合的平均距离，而不是取最大值，这能提供一个更全局的轮廓匹配度量。

平均Hausdorff距离（AVD，Average Hausdorff Distance）公式如下（类似图中第二个公式的 ASD） \[ \text(AVD)(A,B) = \max(d(A,B),d(B,A)) \] 其中 \[ d(A, B) = \frac{1}{N} \sum_{a \in A} \min_{b \in B} ||a - b|| \]

参考文献

1. Lei T, Nandi A K. Image Segmentation: Principles, Techniques, and Applications[M]. New Jersey: Wiley, 2022.