【技术实现步骤摘要】
本专利技术涉及图像处理，尤其是一种用于ai分割的混淆矩阵自动生成方法。
技术介绍
1、现有的图像处理技术中，对图像进行分割推理，获取结果；基于分割推理结果，直接计算iou值作为评价指标；判定满足阈值的区域为正常检出，不满足阈值的为不完整检出；分别处理有标注无推理结果和有推理结果无标注的情况，进行漏检和过杀的判断；对于有标注但无推理结果的场景判断为漏检；有推理结果但无标注的区域判定为过杀。
2、但是，现有技术具有以下的缺点和问题：
3、(1)简单的判定规则：
4、现有技术针对简单情况设计，为了降低算法复杂度和提高计算效率而做出取舍。复杂的情况需要更加精细的算法设计和更合理的处理逻辑。
5、而简单的iou阈值判定限制了对分割结果的准确性和细致度评估，无法处理到更复杂的情况。例如同一标注区域和多分割结果交集的复杂情况、多标注区域和同一分割结果交集的复杂情况、多推理结果可能为同一目标的复杂情况等。
6、(2)固定的iou阈值：
7、固定iou阈值通常是为了简化处理流程和减少参数设置，但这种固定性限制了算法在不同场景下的应用灵活性；
8、不能根据任务需求和实际情况调整iou阈值，无法针对特定任务做出定制化调整，限制了分割结果的优化和定制化处理。
9、(3)可视化能力差：
10、现有技术可能更注重算法性能而忽略了用户交互和可视化方面的需求。缺乏对用户需求的全面考虑，导致在问题诊断和解决过程中视觉化支持不足。
11、缺乏缺陷
12、(4)适应性差：
13、缺乏适应性是因为算法设计时未考虑到特定场景的复杂性，或者受限于数据集的多样性和测试样本的覆盖不足。
14、该方法缺乏灵活性，无法轻松适应和处理各种不同场景的图像分割需求，对于特定任务的细致评估较为困难。例如需要判定相近的对象是否为同一目标的需求、处理多标注和单推理结果的判定定制需求、处理单标注和多推理结果的判定定制需求，无法实现多缺陷的多类别混淆矩阵生成。
技术实现思路
1、本专利技术要解决的技术问题是：提供一种用于ai分割的混淆矩阵自动生成方法，解决了传统处理分割算法的混淆矩阵生成需要人工干预，耗费时间和人力；缺乏自动化工具来快速评估ai图像分割结果的准确性；难以客观评价推理结果与标注结果的一致性和准确性；缺乏在单个图像中生成具有多个缺陷的多类别混淆矩阵的功能；缺乏通用性和定制化，难以适应不同的工程应用需求等问题。
2、本专利技术解决其技术问题所采用的技术方案是：一种用于ai分割的混淆矩阵自动生成方法，包括以下步骤，
3、s1、根据需求设置膨胀判定系数；
4、s2、获取标注图像和分割图像对应的iou、标注颜色、标注以及外接矩形坐标；
5、s3、根据需求定制复杂情况下的判定规则；
6、s4、计算过杀、漏检、正常检出和不完整检出类别以及个数，并统计不同类别中过杀、漏检、正常检出和不完整检出的个数后按照类别生成多类别混淆矩阵；
7、s5、将每个过杀、漏检、正常检出和不完整检出的外接矩形坐标给到ui显示接口。
8、进一步的说，本专利技术所述的步骤s1中，利用膨胀系数的阈值设置判断两个相近的目标是否为同一对象。
9、进一步的说，本专利技术所述的步骤s3中，复杂情况下的判定规则为：
10、1)若同一标注区域和多分割结果有交集，则选择iou最大值的分割区域与该标注区域为对应关系，并进行过杀、漏检、正常检出、不完整检出的分类；或选择输出该标注区域和所有分割区域的iou、标注颜色、标注和分割的外接矩形四个特征，并进行分类；
11、2)若多标注区域和同一分割结果有交集，则选择iou最大值的标注区域并输出唯一结果，或选择所有标注区域；
12、3)不同颜色的标注都按类别分类。
13、进一步的说，本专利技术所述的步骤s4中，计算方式包括以下步骤，
14、(1)创建四个特征容器：用于存储iou、标注颜色、标注和分割的外接矩形四个特征；
15、(2)图像预处理：读取一张标注图label和分割图segmentation，判断label和segmentation图像通道数；
16、(3)分四种情况计算特征：四种情况分别为label和segmentation提取的连通区域个数都为0、label连通区域个数为0而segmentation连通区域个数不为0、label连通区域个数不为0而segmentation连通区域个数为0以及label和segmentation连通区域个数都不为0；
17、(4)在每一种情况下分别进行特征提取。
18、进一步的说，本专利技术所述的步骤s4中，生成多类别混淆矩阵的方法为：
19、i、遍历每张图对应的特征结果；
20、ii、取出第一个位置的标注颜色；
21、iii、对iou＝0的进行判断：如果有标注外接矩形就判定为漏检，否则判定为过杀，把结果写入混淆矩阵对应颜色位置，并给出标注或者分割的外接矩形坐标；
22、iv、对iou>0的进行判断：如果是一个标注区域对应多个分割区域，根据需求，选择取iou最大值并输出结果，或选择输出所有结果；如果是多标注区域对应单分割区域，选择取iou最大值并输出结果，或选择输出所有结果；如果都不是以上情况，则直接根据iou>阈值判定为正常检出，iou<阈值判定为不完整检出。
23、再进一步的说，本专利技术所述的步骤(4)中，当标注图label和分割图segmentation连通区域个数都不为0时，特征提取方法为：
24、a、遍历每个标注连通域，并生成一个空区域have_compared_regiong保存处理过的分割区域；计算选中的某个label连通域与label_region的交集；计算交集的中心点，先根据中心点在分割图中找相应位置的区域a；
25、b、如果找到区域a，则将区域a与seg_region求交集并保存在have_compared_regiong中；然后计算交集与区域a的iou值和分割的最小外接矩形predict_bbox；最后连通交集区域，遍历每个交集连通区域，计算标注外接矩形坐标tag_bbox和颜色tag_color；
26、c、如果没有找到区域a，则将选中的某个label连通域与和所有seg_dilatation_region区域求交集；
27、如果交集为空，则输出iou值为0，predict_bbox＝[0,0,0,0]；连通交集区域并遍历，计算交集连通域的标注颜色tag_color，标注外接矩形坐标tag_bbox；
28、如果交集不为空，则遍历交集区域本文档来自技高网...
【技术保护点】
1.一种用于AI分割的混淆矩阵自动生成方法，其特征在于：包括以下步骤，
2.如权利要求1所述的一种用于AI分割的混淆矩阵自动生成方法，其特征在于：所述的步骤S1中，利用膨胀系数的阈值设置判断两个相近的目标是否为同一对象。
3.如权利要求1所述的一种用于AI分割的混淆矩阵自动生成方法，其特征在于：所述的步骤S3中，复杂情况下的判定规则为：
4.如权利要求1所述的一种用于AI分割的混淆矩阵自动生成方法，其特征在于：所述的步骤S4中，计算方式包括以下步骤，
5.如权利要求1所述的一种用于AI分割的混淆矩阵自动生成方法，其特征在于：所述的步骤S4中，生成多类别混淆矩阵的方法为：
6.如权利要求4所述的一种用于AI分割的混淆矩阵自动生成方法，其特征在于：所述的步骤(4)中，当标注图label和分割图segmentation连通区域个数都不为0时，特征提取方法为：
【技术特征摘要】
1.一种用于ai分割的混淆矩阵自动生成方法，其特征在于：包括以下步骤，
2.如权利要求1所述的一种用于ai分割的混淆矩阵自动生成方法，其特征在于：所述的步骤s1中，利用膨胀系数的阈值设置判断两个相近的目标是否为同一对象。
3.如权利要求1所述的一种用于ai分割的混淆矩阵自动生成方法，其特征在于：所述的步骤s3中，复杂情况下的判定规则为：
4.如权利要求1所述的一种用于ai分...
【专利技术属性】
技术研发人员：都卫东，王岩松，和江镇，唐裕峰，吴健雄，
申请(专利权)人：征图新视江苏科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。