图像分割客观评价 - 图像分割评价方法研究

　　图像分割客观评价

　　从 2.2 节叙述可知，在实际应用中，主观评价方法的评价结果因人而异，无法用数学模型对图像分割的质量进行定量描述，且过于费时费力，因而其应用受到很大限制，在某些场合甚至无能为力。相反，借助理论分析及科学计算对算法进行客观性能评价的方法，摆脱人为主观因素对评价过程的束缚，评价结果客观、稳定，是一类可靠的分割评价方法。注意，主观评价只能对分割结果进行评判，因此，必须将分割算法在计算机上进行实际分割获得分割图像才能实现对分割算法的性能评价。客观评价方法不但可以对分割结果进行评判，还可以不借助计算机而直接对算法进行分析和评判。因此研究一种在一定程度上能替代主观评价，并能实现定量测定图像分割质量的客观方法具有重要的意义，并必将成为图像分割评价方法研究的必然趋势。

　　客观评价法研究内容及评价准则

　　图像分割客观评价主要有两方面的研究内容：

　　一是对特定的图像分割算法进行研究，通过对该算法在不同应用情况、不同参数组合情况以及输入图像的类型、内容、复杂度等不同时所表现出的性能进行评估，掌握如何选择及修正算法参数，以恰当地应对不同的应用场景，称为性能刻画。通常包含两种形式的性能刻画方法，分别是充分性性能刻画和诊断性性能刻画。充分性性能刻画着重对分割算法的适用领域的研究，诊断性性能刻画重点在对分割算法有效性的研究。以存在标准参考图像为前提，后者通过计算算法处理的结果图像与标准参考图像的相似性，完成对分割算法某次分割结果质量的评价，即部分有效性评价。分割算法全局有效性评价则是以统计该算法在包含大量数据的图像数据库中能取得较好分割质量的图像的比率为依据的，整个过程步骤如图 2.2 所示。

　

　　二是分析比较多个算法在相同应用情况下的分割性能，比较各算法的优劣，并进行排序以便在给定情况下选择合适的分割算法或者改进现有算法来满足应用要求，称为性能比较。

　　这两方面内容是相互影响和关联的。性能刻画使得对算法的研究和理解更为全面和深刻，性能比较使得对算法的刻画更具目的性。为达到分割评价的目的，对进行分割评价的研究方法有以下几点基本要求：

　　通用：分割评价的方法必须对各种类型的分割算法都能进行准确而客观地评价，适用不同应用领域的各种情况；

　　客观：分割评价的方法必须摆脱对人为因素的依赖性，进行客观真实地评价；

　　定量：分割评价的方法必须能以量化的形式给出直观的评价结果，方便不同的评价结果进行比较；

　　典型：分割评价时采用的输入图像必须能代表真实世界里各种应用场景的特点，使评价结果具有较好的可移植性。

　　不管是对算法进行理论分析还是设计实验进行评价，都需要一定的评价准则做指导，也称评价指标或测度。事实上，对任何技术进行评价都要采用有效的评价方法和客观的评价指标。因为评价方法的性能主要取决于所采用的评价准则，在图像分割技术的评价中，性能评判准则可以说是最重要的因素，因此对各种评价准则的分析、比较和讨论成为分割评价方法研究的重点。一方面，理论上分析算法思想、特点，需要刻画算法某方面的特性，而这些特性是否得到满足牵涉到评价准则；另一方面，通过实验的方法评价算法特性及分割质量，需要将待评估算法在计算机上实现对输入图像的分割，对分割结果进行客观定量地评价，进而决定分割算法的性能，在缺乏评价准则的情况下该过程中仍无法开展。可见，在分割评价过程中所依据的评价准则（指标），在整个性能评判过程中起着关键性的作用，具有重要的研究意义。

　　一个好的分割评价准则应该满足如下四个要求：

　　非退化性（Nondegeneracy）：也称为普适性，即对各种类型的输入图像的分割结果进行评价都能给出恰当的结论，避免对某种分割结果分辨不清给出错误评价结论的问题。例如，每个像素独立成一个区域（原始图像）或者所有像素划分到一个区域（将原始图像作为一个区域）的极端分割情况，评价准则应给出的判断结果是“最差等级”。

　　数据无假设（No assumptions about data generation）：即对评价对象（分割算法及其分割的图像数据）不做任何人为假设。

　　自适应判别精细划分（Adaptive accommodation of refinement）：假设对某幅原始图像有两种不同的分割结果图像S1 和S2 ， S1的每个区域或者与S2的对应区域重叠，或者与S2的多个区域的并集重叠，即S2是S1的细分结果，则称 S2是S1的一种精细划分。不同的人由于各自的视觉习惯或者对事物的理解不同，对S1的精细划分的认识也不同，也就是说可能有多种精细划分结果同时存在，但都认为是可取的、正确的，如图 2.3所示。对这类精细划分结果，评价准则要能准确识别并判定二者的分割效果一致

　

　　可比性（Comparable scores）：即评价结果必须用数字等形式量化表示，以便在不同评价结果间进行比较和评估。

　　图像分割评价准则切入点不同，原理不同，各有所长。根据评价过程所采用的方式不同，有实验性的准则，用于评价分割算法的分割结果图像，亦即借助实验结果去评判分割算法的性能；也有分析性的准则，用于直接分析分割算法的性能。因此，这些评价准则可分成分析的和实验的两大类。而且，这些准则中有些只可以定性的评价分割算法性能，也就是说分割算法的性能的评价结果以定性的方式表达；有些又可以定量地评判分割算法的性能，亦即以定量的方式表达和刻画算法的性能及分割结果的质量。因此，根据评价准则的自身特性，以及最终表达形式的不同，又可将这些准则分成定量准则和定性准则两大类。综合上面两种关于分割评价的准则的分类，除了一些特殊的评价准则以外，多数的评价准则均可划分到以下四类，如表 2.3所示。

　

　　从分割评价方法的使用结果来看，对所评价的算法利用分析性的准则进行评价相比利用实验性的准则进行评价，它不要求将待测算法在计算机上实现实地分割获得分割图像，因此评价结果不会受到不同安排的评价实验带来的影响。另外，采用定量性的评价准则可获得比定性性的准则更丰富更精确的信息，更容易获得较为直观的评价结果。由此可知，评价准则具备不同的用途与特点，需要对他们有一个全面的了解和掌握，才能因地制宜选择合适的评价方法评价待研究的算法。

　　展望

　　随着图像分割技术在诸多工业领域的广泛应用以及理论研究的不断发展，对其分割性能和分割效果的评估已成为一项很有意义而又亟待解决的研究课题。有监督的评价方法虽能获得较为准确和可靠的评价结果，但是评价过程严重依赖标准分割图像，但实际应用中获取标准参考图像并不容易，甚至不可能；无监督评价方法虽无需标准分割，但目前为止都是低级的基于图像特征的数据驱动的评价方法，又难以同时具备准确性和通用性等特点。因此，能利用图像的高级信息如语义信息来进行算法的性能评价应是未来发展的趋势。例如图像骨架，是对图像内容的综合描述，因此结合骨架信息的评价方法有望获得对分割结果图像的准确理解。另外，如果能将期望达到的分割效果结合到评价过程中，这样一来，评价方法最大限度地代表了人类主观意愿，因此其评价结果将更为准确和可靠。