马博渊等：图像分割评估方法在显微图像分析中的应用 145. 表5铝獬合金枝品组织图像不同分割算法下评估结果 Table 5 Evaluation of different segmentation results for Al-La microscopic image Pixel based evaluation methods Intra class coincidence based evaluation methods Clustering based evaluation methods Segmentation algorithm Pixel accuracy Mean accuracy MloU FWIoU Dice score 色 OTSU 0.6263 0.7025 0.4538 0.4441 0.6573 0.6981 Canny 0.5259 0.6126 0.3497 0.3315 0.5890 0.4780 Watershed 0.4199 0.5426 0.2373 0.1974 0.5557 0.5902 K-means 0.5078 0.5098 0.3287 0.3482 0.3434 0.5210 Random walker 0.5110 0.4027 0.2559 0.3249 0.0024 0.3552 Unet 0.9850 0.9854 0.9684 0.9706 0.9796 0.9810 Clustering based evaluation methods Instance based evaluation methods Segmentation algorithm I ARI CD MAP ME SE VI OTSU 0.3000 0.3075 0.0135 0.3210 -1680.9000 0.2170 Canny -0.0237 6.0105 0.0054 6.0158 -1467.1000 0.0459 Watershed 0.0022 0.5689 0.2377 0.8066 -1014.4000 0.0131 K-means 0.0064 0.8567 0.2247 1.0814 -2216.2000 0.1102 Random walker -0.1720 0.0000 2.2680 2.2680 -10918.3000 0.0000 Unet 0.9604 0.0191 0.0182 0.0373 -10.7000 0.8453 (1)随机斑点噪声(Random noises):在制备过 (2)划痕噪声(Scratch noises):如前所述，在制 程中，需要在材料表面涂抹锈蚀剂，才可在抛光过 备过程中，需要对材料表面进行研磨.该制备方法 程中磨掉材料表面区域，进而获得材料的微观形 不可避免地将在显微组织表面留下划痕噪声.划 貌.若采用系列截面法逐层观察材料组织形貌，则 痕噪声通常为黑色直线.由于其与多晶纯铁晶粒 需要频繁的使用锈蚀剂，在抛光过程中，锈蚀剂不 图像中晶界区域在像素值上相似，容易被误认为是 可避免地残留在微观组织表面，形成随机斑点噪 晶界从而影响分割结果，如图5中红色箭头所示 声，如图5中黑色箭头所示 (3)边界模糊或消失现象(Blurred or missing boun- a (b) (d) (e) () 图5两种图像数据引入不同种类噪声的结果.(a)多品纯铁品粒图像：(b)图(a)的真值结果：(c)在(b)中随机引入500像素的噪声点：(d)在(b)中 引入500像素的划痕噪声：(e)在(b)中引入500像素的消失品界噪声：(f)铝镧合金枝品图像：(g)图(f)的真值结果：(h)在(g)中随机引入500像素 的噪声点：(i)在(g)中引入500像素的划痕噪声 Fig.5 Two microscopic images with different noises:(a)polycrystalline iron;(b)ground truth of (a);(c)random noises with 500 pixels in(b);(d)scratch noises with 500 pixels in (b);(e)missing boundaries with 500 pixels in (b);(f)Al la alloy;(g)ground truth of (f);(h)random noises with 500 pixels in (g); (i)scratch noises with 500 pixels in (g)（1）随机斑点噪声（Random noises）：在制备过 程中，需要在材料表面涂抹锈蚀剂，才可在抛光过 程中磨掉材料表面区域，进而获得材料的微观形 貌. 若采用系列截面法逐层观察材料组织形貌，则 需要频繁的使用锈蚀剂，在抛光过程中，锈蚀剂不 可避免地残留在微观组织表面，形成随机斑点噪 声，如图 5 中黑色箭头所示. （2）划痕噪声（Scratch noises）：如前所述，在制 备过程中，需要对材料表面进行研磨. 该制备方法 不可避免地将在显微组织表面留下划痕噪声. 划 痕噪声通常为黑色直线. 由于其与多晶纯铁晶粒 图像中晶界区域在像素值上相似，容易被误认为是 晶界从而影响分割结果，如图 5 中红色箭头所示. （3）边界模糊或消失现象（Blurred or missing boun- (a) (b) (c) (d) (e) (f) (g) (h) (i) 图 5    两种图像数据引入不同种类噪声的结果. （a）多晶纯铁晶粒图像；（b）图（a）的真值结果；（c）在（b）中随机引入 500 像素的噪声点；（d）在（b）中 引入 500 像素的划痕噪声；（e）在（b）中引入 500 像素的消失晶界噪声；（f）铝镧合金枝晶图像；（g）图（f）的真值结果；（h）在（g）中随机引入 500 像素 的噪声点；（i）在（g）中引入 500 像素的划痕噪声 Fig.5    Two microscopic images with different noises: (a) polycrystalline iron; (b) ground truth of (a); (c) random noises with 500 pixels in (b); (d) scratch noises with 500 pixels in (b); (e) missing boundaries with 500 pixels in (b); (f) Al la alloy; (g) ground truth of (f); (h) random noises with 500 pixels in (g); (i) scratch noises with 500 pixels in (g) 表 5 铝镧合金枝晶组织图像不同分割算法下评估结果 Table 5 Evaluation of different segmentation results for Al–La microscopic image Segmentation algorithm Pixel based evaluation methods Intra class coincidence based evaluation methods Clustering based evaluation methods Pixel accuracy Mean accuracy MIoU FWIoU Dice score RI OTSU 0.6263 0.7025 0.4538 0.4441 0.6573 0.6981 Canny 0.5259 0.6126 0.3497 0.3315 0.5890 0.4780 Watershed 0.4199 0.5426 0.2373 0.1974 0.5557 0.5902 K-means 0.5078 0.5098 0.3287 0.3482 0.3434 0.5210 Random walker 0.5110 0.4027 0.2559 0.3249 0.0024 0.3552 Unet 0.9850 0.9854 0.9684 0.9706 0.9796 0.9810 Segmentation algorithm Clustering based evaluation methods Instance based evaluation methods ARI VI CD MAP ME SE VI OTSU 0.3000 0.3075 0.0135 0.3210 −1680.9000 0.2170 Canny −0.0237 6.0105 0.0054 6.0158 −1467.1000 0.0459 Watershed 0.0022 0.5689 0.2377 0.8066 −1014.4000 0.0131 K-means 0.0064 0.8567 0.2247 1.0814 −2216.2000 0.1102 Random walker −0.1720 0.0000 2.2680 2.2680 −10918.3000 0.0000 Unet 0.9604 0.0191 0.0182 0.0373 −10.7000 0.8453 马博渊等： 图像分割评估方法在显微图像分析中的应用 · 145 ·