dice

영상 분할을 위한 Sørensen-Dice 유사성 계수

구문

similarity = dice(BW1,BW2)

similarity = dice(L1,L2)

similarity = dice(C1,C2)

설명

similarity = dice(BW1,BW2)는 이진 영상 BW1과 BW2 간의 Sørensen-Dice 유사성 계수를 계산합니다.

similarity = dice(L1,L2)는 레이블 영상 L1 및 L2에서 각 레이블의 다이스 지수를 계산합니다.

similarity = dice(C1,C2)는 범주 영상 C1 및 C2에서 각 범주의 다이스 지수를 계산합니다.

예제

이진 분할을 위한 다이스 유사성 계수 계산하기

분할할 객체가 있는 영상을 읽어 들입니다. 영상을 회색조로 변환하고 결과를 표시합니다.

A = imread('hands1.jpg');
I = im2gray(A);
figure
imshow(I)
title('Original Image')

능동 윤곽선(스네이크)을 사용하여 손을 분할합니다.

mask = false(size(I));
mask(25:end-25,25:end-25) = true;
BW = activecontour(I, mask, 300);

ground truth 분할을 읽어 들입니다.

BW_groundTruth = imread('hands1-mask.png');

ground truth 대비 능동 윤곽선 분할의 다이스 지수를 계산합니다.

similarity = dice(BW, BW_groundTruth);

마스크가 서로 겹치도록 표시합니다. 색은 마스크의 차이를 나타냅니다.

figure
imshowpair(BW, BW_groundTruth)
title(['Dice Index = ' num2str(similarity)])

다중 영역 분할을 위한 다이스 유사성 계수 계산하기

이 예제에서는 영상을 여러 영역으로 분할하는 방법을 보여줍니다. 그런 다음 영역별로 다이스 유사성 계수를 계산합니다.

분할할 여러 영역이 있는 영상을 읽어 들입니다.

RGB = imread('yellowlily.jpg');

세 영역의 일반적인 색 특성을 구별하기 위해 표식(Scribble)을 만듭니다. 첫 번째 영역은 노란색 꽃을 분류합니다. 두 번째 영역은 녹색 줄기와 잎을 분류합니다. 마지막 영역은 갈색 흙을 이 영상의 서로 다른 두 패치로 분류합니다. 영역은 4개 요소를 가지는 벡터로 지정합니다. 요소는 각각 ROI 왼쪽 상단 코너의 x 좌표와 y 좌표, ROI의 너비, ROI의 높이를 나타냅니다.

region1 = [350 700 425 120]; % [x y w h] format
BW1 = false(size(RGB,1),size(RGB,2));
BW1(region1(2):region1(2)+region1(4),region1(1):region1(1)+region1(3)) = true;

region2 = [800 1124 120 230];
BW2 = false(size(RGB,1),size(RGB,2));
BW2(region2(2):region2(2)+region2(4),region2(1):region2(1)+region2(3)) = true;

region3 = [20 1320 480 200; 1010 290 180 240]; 
BW3 = false(size(RGB,1),size(RGB,2));    
BW3(region3(1,2):region3(1,2)+region3(1,4),region3(1,1):region3(1,1)+region3(1,3)) = true;
BW3(region3(2,2):region3(2,2)+region3(2,4),region3(2,1):region3(2,1)+region3(2,3)) = true;

영상 위에 시드 영역을 표시합니다.

imshow(RGB)
hold on
visboundaries(BW1,'Color','r');
visboundaries(BW2,'Color','g');
visboundaries(BW3,'Color','b');
title('Seed Regions')

측지선 거리 기반 색 분할을 사용하여 영상을 3개 영역으로 분할합니다.

L = imseggeodesic(RGB,BW1,BW2,BW3,'AdaptiveChannelWeighting',true);

영상의 ground truth 분할을 불러옵니다.

L_groundTruth = double(imread('yellowlily-segmented.png'));

분할 결과와 ground truth를 시각적으로 비교합니다.

figure
montage({label2rgb(L),label2rgb(L_groundTruth)})
title('Comparison of Segmentation Results (Left) and Ground Truth (Right)')

분할된 영역 각각의 다이스 유사성 지수를 계산합니다. 다이스 유사성 지수가 두 번째 영역에서 훨씬 더 작습니다. 이 결과는 분할 결과를 시각적으로 비교한 것과 일치합니다. 영상의 오른쪽 아래 코너에서 흙을 잎으로 잘못 분류했습니다.

similarity = dice(L, L_groundTruth)

similarity = 3×1

    0.9396
    0.7247
    0.9139

입력 인수

BW1 — 첫 번째 이진 영상

논리형 배열

첫 이진 영상으로, 임의 차원의 논리형 배열로 지정됩니다.

데이터형: logical

BW2 — 두 번째 이진 영상

논리형 배열

두 번째 이진 영상으로, BW1와 크기가 같은 논리형 배열로 지정됩니다.

데이터형: logical

L1 — 첫 번째 레이블 영상

음이 아닌 정수로 구성된 배열

첫 번째 레이블 영상으로, 음이 아닌 정수로 구성된 임의 차원의 배열로 지정됩니다.

데이터형: double

L2 — 두 번째 레이블 영상

음이 아닌 정수로 구성된 배열

두 번째 레이블 영상으로, L1과 크기가 동일하면서 음이 아닌 정수로 구성된 배열로 지정됩니다.

데이터형: double

C1 — 첫 번째 범주 영상

categorical형 배열

첫 번째 범주 영상으로, 임의 차원의 categorical형 배열로 지정됩니다.

데이터형: category

C2 — 두 번째 범주 영상

categorical형 배열

두 번째 범주 영상으로, C1과 동일한 크기의 categorical형 배열로 지정됩니다.

데이터형: category

출력 인수

similarity — 다이스 유사성 계수

숫자형 스칼라 | 숫자형 벡터

다이스 유사성 계수로, 숫자형 스칼라 또는 [0, 1] 범위의 값을 갖는 숫자형 벡터로 반환됩니다. similarity가 1이면 두 영상의 분할이 완벽하게 일치하는 것입니다. 입력 배열에 따라 similarity는 다음과 같습니다.

• 입력 배열이 이진 영상이면 similarity는 스칼라입니다.

• 입력 배열이 레이블 영상이면 similarity는 벡터입니다. 여기서 첫 번째 계수는 레이블 1의 다이스 지수, 두 번째 계수는 레이블 2의 다이스 지수 등으로 진행됩니다.

• 입력 배열이 범주 영상이면 similarity는 벡터입니다. 여기서 첫 번째 계수는 첫 번째 범주의 다이스 지수, 두 번째 계수는 두 번째 범주의 다이스 지수 등으로 진행됩니다.

데이터형: double

세부 정보

다이스 유사성 계수

두 집합 A와 B의 다이스 유사성 계수는 다음과 같이 표현됩니다.

dice(A,B) = 2 * | intersection(A,B) | / ( | A | + | B | )

여기서 |A|는 집합 A의 집합 크기(cardinal)를 나타냅니다. 다이스 지수는 참양성(TP), 거짓양성(FP), 거짓음성(FN)을 사용하여 다음과 같이 표현될 수도 있습니다.

dice(A,B) = 2 * TP / ( 2 * TP + FP + FN)

다음과 같이 다이스 지수는 자카드 지수와 관련 있습니다.

dice(A,B) = 2 * jaccard(A,B) / (1 + jaccard(A,B) )

버전 내역

R2017b에 개발됨

참고 항목

jaccard | bfscore