个人技术分享

1.创作灵感

很多小伙伴在玩深度学习模型的时候，需要计算Groudtruth和predict图的dsc、IOU以及BCELoss。这两个关键的指标的程序有很多种写法，今天使用OpenCV绘制两张已知分布的图像，计算其dsc、IOU以及BCELoss。

2、图像如图所示

在一个100×100的区域内，红色框范围为预测值，黑色框的范围是真实值。则TP、FP、TN、FN的分布如图所示。

3程序的编写

3.1 绘制图形，并保存程张量。

import torch
import torch.nn as nn
import cv2 as cv
import numpy as np


# 定义一个函数，填充绘制的轮廓
def fill_img(img):
    contours, hierarchy = cv.findContours(img, cv.RETR_LIST, cv.CHAIN_APPROX_NONE)
    area = []
    for k in range(len(contours)):
        area.append(cv.contourArea(contours[k]))
    # 轮廓索引
    max_idx = np.argsort(np.array(area))

    # 按轮廓索引填充颜色
    for idx in max_idx:
        # 填充轮廓
        img = cv.drawContours(img, contours, idx, 255, cv.FILLED)
    return img

# 创建一个黑色的图像
image1 = np.zeros((100, 100, 1), dtype=np.uint8)
cv.rectangle(image1, (0,0), (69,69), 255, 1)
#转为灰度图
# gray1 = cv.cvtColor(image1, cv.COLOR_BGR2GRAY)

image2 = np.zeros((100, 100, 1), dtype=np.uint8)
cv.rectangle(image2, (30,30), (99,99), 255, 1)

#得到两幅图像，
image1 = fill_img(image1)
image2 = fill_img(image2)

# 显示图像
cv.imshow('Image1', image1)
cv.imshow('Image2', image2)

#保存图像
cv.imwrite("img1.png",image1)
cv.imwrite("img2.png",image2)

img1_tensor = torch.from_numpy(image1)
img2_tensor = torch.from_numpy(image2)

绘制的图像想过如下

对于这样的单通道的图，黑色区域的值是0，白色区域的值是255、

3.2 计算dsc和IOU

程序如下：

# 定义一个函数计算IoU
def calculate_IOU(img1,img2):
    img1 = img1/255
    img2 = img2/255
    inter = torch.sum(img1*img2)
    union = torch.sum(img1)+torch.sum(img2)-inter
    iou= float(inter)/float(union)
    return iou


def calculate_dice(img1,img2):
    img1 = img1 / 255
    img2 = img2 / 255
    inter = torch.sum(img1 * img2)
    dice = (2*inter)/(torch.sum(img1)+torch.sum(img2))
    return dice

3.3 调用程序

IoU=calculate_IOU(img1_tensor,img2_tensor)
print("IoU is: {}\n".format(IoU))
Dice = calculate_dice(img1_tensor,img2_tensor)
print("Dice is: {}\n".format(Dice))

3.4 程序运行结果

可见结果是正确的。

4 .二值交叉熵损失函数的计算

对于二值交叉熵损失函数，在二分类的分割任务中经常会用到，可以通过以下代码计算，二值交叉熵函数（BCELoss）：

# 将图像值限制在0到1之间，通常使用sigmoid函数
sigmoid = nn.Sigmoid()
image1_sigmoid = sigmoid(img1_tensor)
image2_sigmoid = sigmoid(img2_tensor)


# 初始化二值交叉熵损失函数
bce_loss = nn.BCELoss()

# 计算二值交叉熵损失
loss = bce_loss(image1_sigmoid, image2_sigmoid)

print("Binary Cross Entropy Loss:", loss.item())

运行结果如下：