我们在用一个算法对一幅图像进行分割之后，总会面临这样一个问题，分割的结果到底好不好。用眼睛可以看出好坏，但这只是主观的好坏，如何量化的对分割的结果进行评价呢，这是这篇文章我要讨论的主题。
我查阅过很多方法，包括ROC曲线，Dice重合率等等，要么是我理解不好，要么是难以实现。下面的代码，将基于GT（ground truth）图像计算分割图像的分割精度、过分割率、欠分割等指标来评估算法的分割结果。
首先简要介绍一下相关概念
GT（ground truth）图像:我理解的就是含有理论分割结果的图像，用来和结果图像进行比较的参照图像。那么GT图像怎么来，一般通过专家手工勾画出来，得到理论值。当然为避免偶然性，你可以选择多个专家，得到多个GT分割结果，取各项评估参数的平均值。
分割精度：个人理解就是分割准确的面积占GT图像中真实面积的百分比。找了半天找了这么个公式（如下）。
不难理解，其中Rs表示专家手工勾画出的分割图像的参考面积，Ts表示算法分割得到的图像的真实面积，|Rs-Ts|表示错误分割的像素点个数。
过分割率：即分割在GT图像参考面积之外的像素点的比率，计算公式如下：
含义同上，Os表示本不应该包含在分割结果中的像素点个数，实际却在分割结果中的像素点个数。换句话讲，Os中的像素点出现在实际分割图像中，但不出现在理论分割图像Rs中。
欠分割率：即分割在GT图像参考面积之中欠缺的像素点的比率，计算的公式如下：
含义同上，Us表示本应该包含在分割结果中的像素点个数，实际却不在分割结果中的像素点个数。换句话讲，Us中的像素点出现在理论分割图像中，但不出现在实际分割图像中。
好了，理论介绍完了，下面看一下效果和代码吧，我把我做头发分割的结果拿来做一下测试。
测试结果如下：
计算的各类参数如下：
