`skimage.metrics`#

`skimage.metrics.adapted_rand_error`	计算 SNEMI3D 竞赛定义的自适应 Rand 错误。
`skimage.metrics.contingency_table`	返回匹配分割中所有区域的或然表。
`skimage.metrics.hausdorff_distance`	计算给定图像非零元素间的 Hausdorff 距离。
`skimage.metrics.hausdorff_pair`	返回在给定图像非零元素间 Hausdorff 距离之外的点对。
`skimage.metrics.mean_squared_error`	计算两幅图像间的均方误差。
`skimage.metrics.normalized_mutual_information`	计算归一化互信息 (NMI)。
`skimage.metrics.normalized_root_mse`	计算两幅图像间的归一化均方根误差 (NRMSE)。
`skimage.metrics.peak_signal_noise_ratio`	计算图像的信噪比 (PSNR)。
`skimage.metrics.structural_similarity`	计算两幅图像间的结构相似度平均值。
`skimage.metrics.variation_of_information`	返回与 VI 相关的对称条件熵。

skimage.metrics.adapted_rand_error(image_true=None, image_test=None, *, table=None, ignore_labels=(0,), alpha=0.5)[source]#

计算 SNEMI3D 竞赛中定义的 Adapted Rand error。 [1]

参数:

image_truendarray of int: 与 im_test 形状相同的真实标签图像。
image_testndarray of int: 测试图像。
tablescipy.sparse 数组，可选: 使用 skimage.evaluate.contingency_table 构建的或有表。如果为 None，则会动态计算。
ignore_labels序列编号，可选: 要忽略的标签。真实图像中的任何使用这些值标记的区域都不会计算在得分中。
alphafloat，可选: 在 Adapted Rand error 计算中给与精度和召回的相对权重。

返回:

arefloat: Adapted Rand error。
precfloat: Adapted Rand precision：在测试标签图像和真实图像中具有相同标签的像素对数，除以测试图像中的像素对数。
recfloat: Adapted Rand recall：在测试标签图像和真实图像中具有相同标签的像素对数，除以真实图像中的像素对数。

备注

真实分割中标签为 0 的像素在得分中被忽略。

Adapted Rand error 的计算方式如下

\(1 - \frac{\sum_{ij} p_{ij}^{2}}{\alpha \sum_{k} s_{k}^{2} + (1-\alpha)\sum_{k} t_{k}^{2}}\)，其中 \(p_{ij}\) 是像素在测试图像和真图像中具有相同标签的概率，\(t_{k}\) 是像素在真图像中具有标签 \(k\) 的概率，\(s_{k}\) 是像素在测试图像中具有标签 \(k\) 的概率。

默认行为是在自适应兰德误差计算中对精度和召回进行相同的加权。当 alpha = 0 时，自适应兰德误差 = 召回。当 alpha = 1 时，自适应兰德误差 = 精度。

参考文献

[1]

Arganda-Carreras I, Turaga SC, Berger DR 等人。(2015) 众包创建用于连接组学的图像分割算法。前端。神经解剖。9:142。 DOI:10.3389/fnana.2015.00142

评估分割指标

skimage.metrics.contingency_table(im_true, im_test, *, ignore_labels=None, normalize=False)[source]#

返回匹配分割中所有区域的或然表。

参数:

im_trueint 的 ndarray: 与 im_test 形状相同的真实标签图像。
im_testint 的 ndarray: 测试图像。
ignore_labels序列编号，可选: 要忽略的标签。真实图像中的任何使用这些值标记的区域都不会计算在得分中。
normalize布尔值: 确定偶然表是否按像素计数进行标准化处理。

返回:

contscipy.sparse.csr_matrix: 偶然表。cont[i, j] 将等于在 im_true 中标记为 i 并且在 im_test 中标记为 j 的体素数。

skimage.metrics.hausdorff_distance(image0, image1, method='standard')[source]#

计算给定图像非零元素间的 Hausdorff 距离。

参数:

image0, image1ndarray: 其中 True 表示包含在点集中的点。两个数组必须具有相同的形状。
method{‘standard’, ‘modified’}, 默认为‘standard’: 用于计算豪斯多夫距离的方法。 standard 是标准豪斯多夫距离，而 modified 是改进的豪斯多夫距离。

返回:

distancefloat: 使用欧几里得距离在 image0 和 image1 中的非零像素坐标之间的豪斯多夫距离。

备注

豪斯多夫距离 [1] 是 image0 上任意点到 image1 上其最近点之间的最大距离，反之亦然。改进的豪斯多夫距离 (MHD) 已被证明优于 Dubuisson 等人 [2] 在以下工作中定义的定向豪斯多夫距离 (HD)。此函数计算正向和反向平均距离并返回两者中的较大值。

参考文献

[1]

http://en.wikipedia.org/wiki/Hausdorff_distance

[2]

M. P. Dubuisson 和 A. K. Jain。用于对象匹配的改进的豪斯多夫距离。在 ICPR94，A:566-568 页，以色列耶路撒冷，1994 年。 DOI:10.1109/ICPR.1994.576361 http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.1.8155

示例

>>> points_a = (3, 0)
>>> points_b = (6, 0)
>>> shape = (7, 1)
>>> image_a = np.zeros(shape, dtype=bool)
>>> image_b = np.zeros(shape, dtype=bool)
>>> image_a[points_a] = True
>>> image_b[points_b] = True
>>> hausdorff_distance(image_a, image_b)
3.0

豪斯多夫距离

skimage.metrics.hausdorff_pair(image0, image1)[source]#

返回在给定图像非零元素间 Hausdorff 距离之外的点对。

豪斯多夫距离 [1] 是 image0 上任意点到 image1 上其最近点之间的最大距离，反之亦然。

参数:

image0, image1ndarray: 其中 True 表示包含在点集中的点。两个数组必须具有相同的形状。

返回:

point_a, point_barray: 豪斯多夫距离在它们之间的一对点。

参考文献

[1]

http://en.wikipedia.org/wiki/Hausdorff_distance

示例

>>> points_a = (3, 0)
>>> points_b = (6, 0)
>>> shape = (7, 1)
>>> image_a = np.zeros(shape, dtype=bool)
>>> image_b = np.zeros(shape, dtype=bool)
>>> image_a[points_a] = True
>>> image_b[points_b] = True
>>> hausdorff_pair(image_a, image_b)
(array([3, 0]), array([6, 0]))

豪斯多夫距离

skimage.metrics.mean_squared_error(image0, image1)[source]#

计算两幅图像间的均方误差。

参数:

image0, image1ndarray: 图像。任何维度，必须具有相同的形状。

返回:

msefloat: 均方差 (MSE) 度量。

备注

0.16 版中已更改：此函数已从 skimage.measure.compare_mse 重命名为 skimage.metrics.mean_squared_error。

结构相似性指数

使用 J 不变性校准去噪器的完整教程

skimage.metrics.normalized_mutual_information(image0, image1, *, bins=100)[source]#

计算归一化互信息 (NMI)。

\(A\) 和 \(B\)的归一化互信息由以下公式给出：

.. math::

Y(A, B) = frac{H(A) + H(B)}{H(A, B)}

其中 \(H(X) := - \sum_{x \in X}{x \log x}\) 表示熵。

由 Colin Studholme 及其同事提出，应用于图像配准 [1]。其范围从 1（图像值完全不相关）到 2（图像值完全相关，无论其是正相关还是负相关）。

参数:

image0, image1ndarray: 待比较的图像。这两个输入图像必须具有相同数量的维度。
binsint 或 int 序列，可选: 联合直方图中每个轴的柱数。

返回:

nmifloat: 在 bins 给定的粒度下，计算的两个数组之间的归一化互信息。较高的 NMI 意味着输入图像更相似。

引发:

ValueError: 如果图像不具有相同数量的维度。

备注

如果这两个输入图像不同形状，则用零填充较小的图像。

参考文献

[1]

C. Studholme, D.L.G. Hill，和 D.J. Hawkes（1999）。三维医学图像对齐的重叠不变熵度量。模式识别 32(1)：71-86 DOI：10.1016/S0031-3203(98)00091-0

skimage.metrics.normalized_root_mse(image_true, image_test, *, normalization='euclidean')[source]#

计算两幅图像间的归一化均方根误差 (NRMSE)。

参数:

image_truendarray

真实图像，与 im_test 形状相同。

image_testndarray

测试图像。

normalization{‘euclidean’, ‘min-max’, ‘mean’}，可选

控制 NRMSE 分母中要使用归一化方法。文献中没有跨领域的标准归一化方法 [1]。此处可用的方法如下：

‘euclidean’ ：按 im_true 的平均欧几里德范数归一化
```
NRMSE = RMSE * sqrt(N) / || im_true ||
```
其中 || . || 表示弗罗贝尼乌斯范数，N = im_true.size。此结果等价于
```
NRMSE = || im_true - im_test || / || im_true ||.
```
‘min-max’ ：按 im_true 的强度范围归一化。
‘mean’ ：按 im_true 的平均值归一化

返回:

nrmsefloat: NRMSE 度量。

备注

0.16 版本中更改：此函数已从 skimage.measure.compare_nrmse 重命名为 skimage.metrics.normalized_root_mse。

参考文献

[1]

https://en.wikipedia.org/wiki/Root-mean-square_deviation

skimage.metrics.peak_signal_noise_ratio(image_true, image_test, *, data_range=None)[source]#

计算图像的信噪比 (PSNR)。

参数:

image_truendarray: 真实图像，与 im_test 形状相同。
image_testndarray: 测试图像。
data_rangeint，可选: 输入图像的数据范围（最小值和最大可能值之间的距离）。默认情况下，这是根据图像数据类型估算出来的。

返回:

psnrfloat: PSNR 度量。

备注

0.16 版本中已更改：此函数已从 skimage.measure.compare_psnr 重命名为 skimage.metrics.peak_signal_noise_ratio。

参考文献

[1]

https://en.wikipedia.org/wiki/Peak_signal-to-noise_ratio

skimage.metrics.structural_similarity(im1, im2, *, win_size=None, gradient=False, data_range=None, channel_axis=None, gaussian_weights=False, full=False, **kwargs)[源代码]#

在两张图像之间计算均结构相似性指数。对于浮点数图像，请注意data_range 参数。

参数:

im1, im2ndarray: 图像。任何具有相同形状的维度。
win_sizeint或 None，可选: 比较中使用的滑动窗口的边长。必须是奇数。如果gaussian_weights 为 True，则忽略此值，窗口大小取决于sigma。
gradientbool，可选: 如果为 True，则还返回相对于 im2 的梯度。
data_rangefloat，可选: 输入图像的数据范围（最大可能值与最小可能值之间的差）。默认情况下，根据图像数据类型进行估计。对于浮点图像数据，此估计值可能是错误的。因此，建议始终显式传递此标量值（见下文注释）。
channel_axisint 或无，可选: 如果无，图像将被视为一个灰度（单通道）图像。否则，这个参数将指示数组中哪个轴与通道相关联。

在 0.19 版本中添加：channel_axis在 0.19 中添加。
gaussian_weights布尔值，可选: 如果为 True，每个贴片的均值和方差将通过宽度为 sigma=1.5 的归一化高斯核进行空间加权。
full布尔值，可选: 如果为 True，也将返回完整的结构相似性图像。

返回:

mssim浮点数: 图像上的平均结构相似性指数。
gradndarray: im1 与 im2 之间的结构相似性的梯度 [2]。仅在将gradient设置为 True 时返回。
Sndarray: 完整的 SSIM 图像。仅在将full设置为 True 时返回。

其他参数:

use_sample_covariance布尔值: 如果为 True，则将协方差归一化为 N-1，而不是 N，其中 N 为滑动窗口内像素的数量。
K1浮点数: 算法参数 K1（小常数，参见 [1]）。
K2浮点数: 算法参数 K2（小常数，参见 [1]）。
sigma浮点数: 当gaussian_weights 为 True 时的高斯标准差。

备注

如果未指定data_range，则范围将根据图像数据类型自动猜测。然而，对于浮点图像数据，此估计值产生等于所需范围值两倍的结果，因为skimage.util.dtype.py中的dtype_range已定义了从 -1 到 +1 的间隔。这会产生 2 的估计值，而不是通常使用图像数据时最需要的 1（因为负光强度毫无意义）。如果使用类似 YCbCr 的颜色数据，请注意每个通道的范围是不同的（Cb 和 Cr 的范围是 Y 的两倍），因此不能使用此函数的单次调用来计算通道平均 SSIM，因为假设每个通道的范围相同。

要匹配 Wang 等人的实现。 [1]，将gaussian_weights 设置为 True，sigma 设置为 1.5，use_sample_covariance 设置为 False，并指定data_range 参数。

在 0.16 版本中已更改：此函数已从skimage.measure.compare_ssim重命名为skimage.metrics.structural_similarity。

参考文献

[1] (1,2,3)

王志、博维克、谢赫和西蒙切利（2004 年）。图像质量评估：从错误可见性到结构相似性。IEEE 图像处理事务，13，600-612。 https://ece.uwaterloo.ca/~z70wang/publications/ssim.pdf, DOI: 10.1109/TIP.2003.819861

[2]

阿瓦纳基（2009 年）。针对结构相似性进行优化的高斯全局直方图规格。光学评论，16，613-621。 arXiv:0901.0065 DOI: 10.1007/s10043-009-0119-z

结构相似性指数

skimage.metrics.variation_of_information(image0=None, image1=None, *, table=None, ignore_labels=())[源代码]#

返回与 VI 相关联的对称条件熵。 [1]

参数:

image0, image1int 数组: 标记图像/分割，必须具有相同的形状。
tablecsr 格式的 scipy 稀疏数组，可选: 使用 skimage.evaluate.contingency_table 构建的或然率表。如果为 None，将使用 skimage.evaluate.contingency_table 计算该或然率表。如果给出，将根据此表计算熵，并将忽略任何图像。
ignore_labels序列编号，可选: 要忽略的标签。真实图像中的任何使用这些值标记的区域都不会计算在得分中。

返回:

vi形状为 (2,) 的浮点数组: image1|image0 和 image0|image1 的条件熵。

参考文献

[1]

玛丽娜·梅拉（2007 年），比较聚类——基于信息的距离，多变量分析杂志，第 98 卷，第 5 期，873-895 页，ISSN 0047-259X，DOI: 10.1016/j.jmva.2006.11.013。

评估分割指标

skimage.metrics#

`skimage.metrics`#