课题报告OpenCV 抠图项目实战评价指标

Posted 2022-02-04 小白YouCans

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了课题报告OpenCV 抠图项目实战评价指标相关的知识，希望对你有一定的参考价值。

Python 小白的课题报告—OpenCV 抠图项目实战（9）

本系列是 Python 小白的课题作业《基于OpenCV 的图像分割和抠图》。
需要说明的是，本系列并不能算是 OpenCV 的抠图项目教程，只是以此为主题的课题报告。其中包括了一个较为完整的 PyQt 项目。
从学生课题作业报告的角度，还是可以晒出来给大家参考的。

第五章抠图的性能评价

5.1 主观评价指标

对于图像质量评价研究的方法由两种，分别为主观评价方法和客观评价方法。
主观评价方法主要依据的是人体视觉感知神经在特定的观测环境下，参考图像亮度、图像噪声和图像模糊等指标，对被测图像进行主观评价打分。
虽然主观评价方法是人体的直观感受，肯定符合人眼对图像质量的评价，但是主观评价方法也有很多缺陷：

首先人体主观评价很容易受到被测人情绪、偏好等个人主观原因的影响；
其次测试环境等客观因素也会影响主观评价方法的结果；
最后，在数据量特别大的时候，组织人员进行主观评价费时费力，图像质量评价的效率会很低下。

5.2 客观评价指标

为了追求图像质量评价的效率，客观评价方法越来越受到研究者的欢迎。常用的客观评价指标是：SAD, MSE, Gradient error, Connectivity error[1]。

5.2.1 绝对误差和（SAD）

绝对误差和SAD(Sum of Absolute Difference)的定义为：
$SAD=∑_i |α_i-α_i^*|$

5.2.2均方误差（MSE）

均方误差MSE (Mean Squared Error) 的定义为：
$MSE=\\frac1n ∑_i(∇α_i - ∇α_i^*)^q$

5.2.3 梯度误差（Gradient error）

梯度误差是预测的 $α_i$ 和 $α_i*$ 的之间的梯度差异：
$α_i -∇α_i^*)^q$

$α_i$ 和 $α_i*$ 表示对应的alpha matte的归一化梯度, 这是通过将matte与具有方差sigma的一阶Gaussian导数滤波器进行卷积计算得到的。

5.2.4 连通性误差（Connectivity error）

连通性误差定义如下：
$_i [φ(α_i,Ω) - φ(α_i^*,Ω)]$
连通性误差是对整个预测的alpha matte图和Ground truth的差异的累和。源域(source region) Ω由最大连通域定义，最大连通域是指alpha matte和对应的Ground truth都完全不透明的部分。

5.2.5 平均绝对误差（MAD）

平均绝对误差MAD(Mean Absolute Difference) 的定义为：
$\\frac1n ∑_i|α_i-α_i^*|$
MAD和SAD类似，这两个标选择一个即可。

参考文献：

Christoph Rhemann, Carsten Rother, Jue Wang, et al. A perceptually motivated online benchmark for image matting. CVPR 2009, 1826–1833.
Image Matting 客观评价指标、数据集及主观评价
https://blog.csdn.net/Mao_Jonah/article/details/113646709
Matting任务里的Gradient与Connectivity指标
https://www.cnblogs.com/lart/p/10627821.html

【本节完】

版权声明：
本节内容，主要来自：Image Matting 客观评价指标、数据集及主观评价(https://blog.csdn.net/Mao_Jonah/article/details/113646709)

欢迎关注『Python 小白的项目实战 @ youcans』原创作品

原创作品，转载必须标注原文链接：https://blog.csdn.net/youcans/article/details/122296231

Crated：2022-01-09