马博渊等：图像分割评估方法在显微图像分析中的应用 147. 表7铝镧合金枝品图像在不同噪声下各评估方法的结果 Table 7 Results of different evaluation methods for Al La alloy under different noises Pixel based evaluation methods Intra class coincidence based evaluation methods Clustering based evaluation methods Noise type Pixel accuracy Mean accuracy MloU FWloU Dice score 色 Random noises0.9980(-0.0020)0.9974(-0.0026)0.9958(-0.0042)0.9960(-0.0040)0.9974-0.0026) 0.9974(-0.0026) Scratch noises 0.9980(-0.0020)0.9974-0.0026) 0.9958(-0.0042)0.9960(-0.0040)0.9974(-0.0026) 0.9966(-0.0034) Clustering based evaluation methods Instance based evaluation methods Noise type VI ARI CD MAP ME SE M Random noises 0.9945(-0.0055) 0.0000(+0.0000) 0.0010(+0.0010) 0.0010(+0.0010) -4.0000(-4.0000) 0.9513(-0.0487) Scratch noises 0.9929(-0.0071) 0.0000(+0.0000)0.1004+0.1004) 0.1004+0.1004) -2.0000(-2.0000) 0.9627-0.0373) 聚类的评估方法和基于实例的评估方法.并在材 秀的图像分割方法争相问世.因此，在应用过程 料显微图像分析应用中，通过实验对比了两种数 中，准确地评估各种分割方法的准确性和适用性是 据集在不同分割方法和不同常见噪声类型下各评 科研工作中的必要环节，同时理解和掌握各种评估 估指标的评估结果 方法是改进图像分割方法的途径之一，本文首先 由于基于像素的评估方法逐像素地比较预测 按照不同类别（基于像素的评估方法、基于类内重 分割结果和真值分割结果的区别，而基于类内重 合度的评估方法、基于边界的评估方法、基于聚类 合度的方法逐类别地比较两者之间的差异，均未 的评估方法和基于实例的评估方法)详细介绍了各 考虑材料显微组织的拓扑特性，因此，本文认为在 评估方法的计算方式，并在材料显微图像分析的应 材料显微图像分析及定量表征应用中，该评估方 用背景下，进行实验讨论了不同分割方法和不同噪 法适用于图像分割的目标为统计物相组成比例的 声对不同评估方法的影响.最后探讨了每种方法 表征任务，但不适用于需要分析单个组织特征的 的优势和适用性.本文认为在材料显微图像分析 尺寸或形状统计等的表征任务 及定量表征应用中，基于像素和基于类内重合度的 基于边界的评估方法仅适用于基于边缘提取 评估方法适用于图像分割的目标为统计物相组成 的图像分割任务，其泛用性较低.同时针对多晶纯 比例的表征任务，但不适用于需要分析单个组织特 铁晶粒分割任务，晶界提取的目标在于分离每个 征的尺寸或形状统计等的表征任务：基于边界的评 品粒，基于边界的评估方法并未考虑品界不闭合 估方法可适用于表面缺陷（如裂纹）检测任务；基于 的情况.因此，本文认为在材料显微图像分析应用 聚类和基于实例的评估方法更适合于材料显微图 中，基于边界的评估方法可适用于表面缺陷（如裂 像分割任务.并且，VⅥ可进一步细分为合并错误和 纹)检测，但不适用组织结构定量表征任务 分离错误，可更加全面的评估分割结果 基于聚类和基于实例的评估方法由于在执行 同时，由于材料显微图像分割任务的目标是 过程中需要先使用联通区域方法对分割结果进行 获得微观组织的定量表征，如面积或形状分布等 分区，考虑了显微组织结构的拓扑特性，因此本文 在未来的研究中，可更进一步从材料学目标出发， 认为这两类方法更适用于材料显微图像分析任务 如选择KL散度(Kullback--Leibler divergence),JS 中统计尺寸和形状分布等微观组织定量表征的目 散度(Jensen-Shannon divergence)或Wassertein距 标.同时在引入典型噪声后，当组织拓扑结构发生 离等方法评估预测结果的面积分布和真实结果的 巨大变化时，VI和MAP其变化幅度较大，本文认 面积分布的相似性 为上述两个指标更适合于材料显微图像分割任 致谢 务.并且，VI可进一步细分为合并错误和分离错 本文的计算工作得到了北京材料基因工程高 误，可更加全面地评估分割结果 精尖创新中心材料计算平台的支持 5总结与展望 参考文献 随着硬件计算能力和计算机算法的发展，图像 [1]Szeliski R.Computer Vision:Algorithms and Applications. 分割领域取得了巨大突破，大量基于不同理论的优 Springer Science Business Media,2011聚类的评估方法和基于实例的评估方法. 并在材 料显微图像分析应用中，通过实验对比了两种数 据集在不同分割方法和不同常见噪声类型下各评 估指标的评估结果. 由于基于像素的评估方法逐像素地比较预测 分割结果和真值分割结果的区别，而基于类内重 合度的方法逐类别地比较两者之间的差异，均未 考虑材料显微组织的拓扑特性，因此，本文认为在 材料显微图像分析及定量表征应用中，该评估方 法适用于图像分割的目标为统计物相组成比例的 表征任务，但不适用于需要分析单个组织特征的 尺寸或形状统计等的表征任务. 基于边界的评估方法仅适用于基于边缘提取 的图像分割任务，其泛用性较低. 同时针对多晶纯 铁晶粒分割任务，晶界提取的目标在于分离每个 晶粒，基于边界的评估方法并未考虑晶界不闭合 的情况. 因此，本文认为在材料显微图像分析应用 中，基于边界的评估方法可适用于表面缺陷（如裂 纹）检测，但不适用组织结构定量表征任务. 基于聚类和基于实例的评估方法由于在执行 过程中需要先使用联通区域方法对分割结果进行 分区，考虑了显微组织结构的拓扑特性，因此本文 认为这两类方法更适用于材料显微图像分析任务 中统计尺寸和形状分布等微观组织定量表征的目 标. 同时在引入典型噪声后，当组织拓扑结构发生 巨大变化时，VI 和 MAP 其变化幅度较大，本文认 为上述两个指标更适合于材料显微图像分割任 务. 并且，VI 可进一步细分为合并错误和分离错 误，可更加全面地评估分割结果. 5    总结与展望 随着硬件计算能力和计算机算法的发展，图像 分割领域取得了巨大突破，大量基于不同理论的优 秀的图像分割方法争相问世. 因此，在应用过程 中，准确地评估各种分割方法的准确性和适用性是 科研工作中的必要环节，同时理解和掌握各种评估 方法是改进图像分割方法的途径之一. 本文首先 按照不同类别（基于像素的评估方法、基于类内重 合度的评估方法、基于边界的评估方法、基于聚类 的评估方法和基于实例的评估方法）详细介绍了各 评估方法的计算方式，并在材料显微图像分析的应 用背景下，进行实验讨论了不同分割方法和不同噪 声对不同评估方法的影响. 最后探讨了每种方法 的优势和适用性. 本文认为在材料显微图像分析 及定量表征应用中，基于像素和基于类内重合度的 评估方法适用于图像分割的目标为统计物相组成 比例的表征任务，但不适用于需要分析单个组织特 征的尺寸或形状统计等的表征任务；基于边界的评 估方法可适用于表面缺陷（如裂纹）检测任务；基于 聚类和基于实例的评估方法更适合于材料显微图 像分割任务. 并且，VI 可进一步细分为合并错误和 分离错误，可更加全面的评估分割结果. 同时，由于材料显微图像分割任务的目标是 获得微观组织的定量表征，如面积或形状分布等. 在未来的研究中，可更进一步从材料学目标出发， 如选择 KL 散度（Kullback–Leibler divergence），JS 散度（Jensen–Shannon divergence）或 Wassertein 距 离等方法评估预测结果的面积分布和真实结果的 面积分布的相似性. 致谢 本文的计算工作得到了北京材料基因工程高 精尖创新中心材料计算平台的支持. 参    考    文    献 Szeliski  R. Computer Vision: Algorithms and Applications. Springer Science & Business Media, 2011 [1] 表 7 铝镧合金枝晶图像在不同噪声下各评估方法的结果 Table 7 Results of different evaluation methods for Al La alloy under different noises Noise type Pixel based evaluation methods Intra class coincidence based evaluation methods Clustering based evaluation methods Pixel accuracy Mean accuracy MIoU FWIoU Dice score RI Random noises 0.9980(−0.0020) 0.9974(−0.0026) 0.9958(−0.0042) 0.9960(−0.0040) 0.9974(−-0.0026) 0.9974(−0.0026) Scratch noises 0.9980(−0.0020) 0.9974(−0.0026) 0.9958(−0.0042) 0.9960(−0.0040) 0.9974(−0.0026) 0.9966(−0.0034) Noise type Clustering based evaluation methods Instance based evaluation methods ARI VI CD MAP ME SE VI Random noises 0.9945(−0.0055) 0.0000(+0.0000) 0.0010(+0.0010) 0.0010(+0.0010) −4.0000(−4.0000) 0.9513(−0.0487) Scratch noises 0.9929(−0.0071) 0.0000(+0.0000) 0.1004(+0.1004) 0.1004(+0.1004) −2.0000(−2.0000) 0.9627(−0.0373) 马博渊等： 图像分割评估方法在显微图像分析中的应用 · 147 ·