CN103871054A - 一种基于组合指标的图像分割结果定量评价方法 - Google Patents

Abstract

本发明公开了一种基于组合指标的图像分割结果定量评价方法，包括：选择与待评测分割结果的图像所属类别相同的多张图片，将这些图片进行分割，得到分割结果集；对上述分割结果集进行人工主观评价，获取各分割结果的主观评价结果，得到主观评价集；对上述分割结果集进行多指标客观评价，计算各分割结果的客观评价指标值，得到客观评价集；用客观评价集作为分类器的输入，主观评价集作为输出，训练得到经过训练的分类器；计算待评测图像分割结果的客观评价指标值；将客观评价指标值输入经过训练的分类器中，得到评价结果。通过本发明方法可得到代表该领域工作者评判标准的图像分割评价结果，减少了成本和评价周期，且更加方便、普适、易于实施。

Description

一种基于组合指标的图像分割结果定量评价方法

技术领域

本发明属于计算机技术和图像处理的交叉技术领域，更具体地，涉及一种基于组合指标的图像分割结果定量评价方法。

背景技术

在图像分割技术的研究和应用中，需比较不同分割算法的分割质量，或是比较同一算法不同参数设置情况时的分割质量，在考虑不同类别图像（如医学图像、自然图像、SAR图像等）时，用同一参数设置的同一分割算法的分割效果是否相同也需考察。解决以上问题都牵涉到对分割结果进行评价的研究。

目前的图像分割结果评价方法分为主观评价和客观评价，客观评价可细分为优度法和差异法。

图像分割结果主观评价方法以人类视觉效果作为评判标准，让观察者根据事先规定的应用要求或者自身经验，对测试图像的分割结果进行评价。评价过程中要求有多位观察者参与，并综合考虑所有观察者的观察结果。在具体实施过程中，应选择一定数量的领域内的专业人士（如涉及医学图像时，应让有经验的医生作为评价人员）对分割结果进行绝对评价或相对评价，最后进行综合。其中，绝对评价是指让观察者对分割结果逐个进行打分，而相对评价是指让观察者将分割结果进行比较，从而得出较好和较坏的分类。

目前，由图像分割结果的主观评价方法所得到的评价结果往往作为评价图像分割结果时的金标准使用。其优点在于，结合多名领域内专业人士的综合评价结果，可以被认为代表了该领域工作者对图像分割结果的一般性要求，即在此种方法下得到较高评价的分割结果就更有利于该领域其他方面工作的进行（如当临床医生认为一幅医学图像分割较好时，则此分割结果更方便他对病情的诊断）。此方法的主要缺点是可重复性不好，会出现组间差异和组内差异，即不同观察者的评判结果会有不同，同一观察者在不同时间的评判结果也会有不同，此缺点虽可通过选取大量观察者等手段在一定程度上减轻，但此方法的原理使其不可排除。另外，此方法还存在费用较高、实施周期长等缺点。

图像分割结果客观评价方法充分借助理论分析及科学计算对分割结果进行定量评价，摆脱人为主观因素对评价过程的束缚，评价结果客观、稳定，是图像分割结果评价方法的研究趋势。如图1所示，客观评价方法可分为差异法和优度法。差异法，也称相对评价法，通过比较分割算法实际分割图像与参考分割图像（即金标准图像），达到评价图像分割结果质量的目的。现已研究出一系列差异法评价指标（如各种基于面积测度或距离测度的指标），在图像分割结果评价过程中被广泛使用。优度法，也称独立评价法，摆脱了对参考图像的依赖，通过考察分割结果图像自身的性质（如形态特性、纹理特性等）来进行评价。

客观评价方法的主要优势在于其稳定性、方便性、廉价性。而其缺点为，因各领域对图像分割结果的要求通常是多方面的，故图像分割的好坏程度很难通过单一指标进行判断，在实际应用中，研究人员需先计算出图像分割结果的多个客观指标的值，然后将这些值进行综合考虑后得到最终的评价结果，但综合考虑的过程将引入人为的主观因素，破坏该评价方法的客观性。

为解决客观评价指标的片面性，近几年有研究者着手于所谓“图像分割结果客观评价模型”的研究，希望提出一个综合了多种客观评价指标的模型，用这个模型的输出作为最终评价结果以代替人为考虑过程。但此种研究思路同样存在弊端。一方面，在模型的设计过程中，不可避免地将引入人为的参考因素，使方法本身无法做到完全客观；另一方面，由于不同领域对图像分割结果的要求不同，而即使是在同一领域，面对不同类别图片（如在医学领域的颈动脉横切图片和颈动脉纵切图片）时对分割结果的要求也会有不同，故在这些情况下都要对模型进行分别设计，降低了方法的适用性、使用效率，增加了应用时的难度。

综上，由于目前客观评价方法发展尚不成熟，不能十分有效地对图像分割结果作出合适的评价，而主观评价方法虽存在众多不足，但因其结果完全可被使用者所接受，故仍然在广泛的领域内被作为金标准方法进行使用，而客观评价方法因其优点突出，是未来图像分割评价研究的趋势。

发明内容

本发明提出了一种基于组合指标的图像分割结果定量评价方法，以此方法得到的评价结果可以代表被分割图片所在领域研究者对分割结果的要求，且具有稳定性、方便性、廉价性，应用范围广。

为实现上述目的，本发明提供了一种基于组合指标的图像分割结果定量评价方法，包括以下步骤：

步骤1，选择与待评测分割结果的图像所属类别相同的多张图片，用一种或多种分割方法将这些图片进行分割，得到分割结果集；

步骤2，对上述分割结果集进行人工主观评价，获取各分割结果的主观评价结果，得到主观评价集；

步骤3，对上述分割结果集进行多指标客观评价，计算各分割结果的客观评价指标值，得到客观评价集；

步骤4，用客观评价集作为分类器的输入，主观评价集作为分类器的输出，训练分类器得到经过训练的分类器；

步骤5，计算待评测图像分割结果的客观评价指标值；

步骤6，将待评测图像分割结果的客观评价指标值输入经过训练的分类器中，得到评价结果。

优选地，所述步骤3和步骤5中计算分割结果的客观评价指标值具体包括5种优度指标和10种差异指标，其中：

5种优度指标分别为：

灰度对比度： $\mathrm{GC}=\frac{|f_1-f_2|}{f_1+f_2},$

式中f₁和f₂分别为分割图像中目标和背景区域内像素的平均灰度；

区域内部均匀性测度： $\mathrm{UM}=1-\frac{1}{C}\underset{i}{\mathrm{\Σ}}\left\{\underset{(x,y)\∈R_i}{\mathrm{\Σ}}{[f(x,y)-\frac{1}{A_i}\underset{(x,y)\∈R_i}{\mathrm{\Σ}}f(x,y)]}^2\right\},$

式中

，Ri为分割图像中第i个区域，其中i＝1时为目标区域，i＝2时为背景区域，A_i为对应区域的面积，f(x,y)为像素灰度，C为归一化系数；

形状测度： $\mathrm{SM}=\frac{1}{C}\left\{\underset{x,y}{\mathrm{\Σ}}\mathrm{Sgn}\right[f(x,y)-f_N(x,y)\left]g(x,y)\mathrm{Sgn}\right[f(x,y)-T\left]\right\},$

式中(x,y)代表分割图像的边界像素，f(x,y)为像素灰度，f_N(x,y)为像素(x,y)邻域内的平均灰度，N为邻域像素的个数，g(x,y)为像素灰度梯度，Sgn为单位阶跃函数，T为预先确定的阈值，C为归一化系数；

分割信息熵: $\mathrm{SE}=\frac{{\mathrm{\Σ}}_{i=1}^{2}H\left(r_i\right)-H\left(f\right)}{H\left(f\right)},$ 其中 $H\left(f\right)=-\underset{i-1}{\overset{n}{\mathrm{\Σ}}}P\left(x_i\right)\log P\left(x_i\right),$

式中f为分割图像，r_i为分割图像的第i个区域，其中i＝1时为目标区域，i＝2时为背景区域，P(x_i)为出现灰度xi的概率；

区域间散度对比度: $\mathrm{VC}=v-\frac{1}{2}(v_1+v_2),$

式中v为分割图像的灰度方差，v₁为目标区域的灰度方差，v₂为背景区域的灰度方差；

10种差异指标分别为：

距离加权标准差： $R1=\frac{1}{I_N}\underset{1}{\overset{I_A}{\mathrm{\Σ}}}\frac{1}{1+\mathrm{\δ}{e}^2};$

平均距离平方： $R2=\frac{1}{I_A}\underset{1}{\overset{I_A}{\mathrm{\Σ}}}{e}^2;$

平均绝对距离： $R3=\frac{1}{I_A}\underset{1}{\overset{I_A}{\mathrm{\Σ}}}\left|e\right|;$

上述三式中I_A为分割边界的像素数，I_N为参考分割边界的像素数，e为分割边界像素到参考分割边界的最小距离，δ为一设定值；

优度函数： $\mathrm{FOM}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{1}{1+p\×d^2\left(i\right)},$

式中N为错分像素数，p为比例系数，d²(i)为第i个错分像素与参考边界的最小距离；

平均最小距离： $\mathrm{AMED}=\frac{1}{2}[\frac{1}{p}\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\mathrm{MD}(a_i,B)+\frac{1}{q}\underset{i=1}{\overset{q}{\mathrm{\Σ}}}\mathrm{MD}(b_j,A)];$

豪斯多夫距离； $\mathrm{HD}=\max \left\{\underset{i\∈\{\mathrm{1,2},\·\·\·,p\}}{\max }\right[\mathrm{MD}(a_i,B)],\underset{j\∈\{\mathrm{1,2}\·\·\·,q\}}{\max }[\mathrm{MD}(b_j,A)\left]\right\};$

上述两式中A和B分别为分割边界和参考分割边界，p和q分别为其像素数，MD为像素到边界的最小距离；

面积交迭度： $\mathrm{AOM}=\frac{\mathrm{Area}\{S_A\∩S_B\}}{\mathrm{Area}\{S_A\∪S_B\}};$

误分率： $\mathrm{ME}=\frac{\mathrm{Area}\{S_A\∪S_B\}-\mathrm{Area}\{S_A\∩S_B\}}{\mathrm{Area}\left\{S_B\right\}};$

全局检全率： $\mathrm{GR}=\frac{\mathrm{Area}\{S_A\∩S_B\}}{\mathrm{Area}\left\{S_B\right\}};$

全局检准率： $\mathrm{GP}=\frac{\mathrm{Area}\{S_A\∩S_B\}}{\mathrm{Area}\left\{S_A\right\}};$

上述四式中S_A为分割区域，S_B为参考分割区域，Area为对应区域的面积。

作为本发明的进一步优选，所述分类器为BP神经网络或者支持向量机。

进一步地，所述步骤1具体为：选择与待评测分割结果的图像所属类别相同的多张图片，用一种或多种分割方法将这些图片进行分割，得到多个分割结果，将这些分割结果进行筛选，使好的分割结果和坏的分割结果在数量上基本分布均匀，得到该类别图片的分割结果集。

进一步地，所述步骤2具体为：对步骤1中得到的分割结果集中的各个分割结果进行多个人工主观评价，将每个分割结果的多个人工主观评价结果进行综合得到与该分割结果集对应的主观评价集。

进一步地，所述人工主观评价采用打分方法。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

1、本发明所述图像分割结果评价方法先训练对应某一特定领域特定种类图像分割结果的分类器，此过程充分结合了该领域工作者的评判标准，使训练出的分类器可以代表其对图像分割结果的一般性要求；

2、对新的分割结果进行评价时，只需测定待评价分割结果的十五项客观评价指标值，将这些值输入到经过训练的分类器中，即可得到代表该领域工作者评判标准的图像分割评价结果；

3、本发明的评价方法结果客观、定量、自动、稳定，且因无需再组织人员进行主观评价，减少了成本和评价周期。而相比于设计“图像分割结果客观评价模型”则更加方便、普适、易于实施。

附图说明

图1为传统图像分割评价方法框架图；

图2为本发明基于组合指标的图像分割结果定量评价方法流程图；

图3本发明实施例中一种BP神经网络的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明具体涉及到的图像分割结果定量评价方法为：

面对某一领域中的一类图片，选取一定数量的此类图片，用一种或多种分割方法将这些图片进行分割，得到大量的分割结果，将这些分割结果进行一定程度的筛选，使好的分割结果和坏的分割结果尽量在数量上分布均匀，得到一个该类图片的分割结果图片集。

让多位该领域内的研究人员对此图片集的分割结果进行评价，此评价应采用打分的方法（如0～1分制），将这多名研究人员的评价结果进行综合即得到一个与该图片集对应的评价集，此评价集为主观评价集。

用一定数量的客观评价指标分别对图片集中的各个分割结果进行评价，得到一个与该图片集对应的另一评价集，此评价集为客观评价集。

将主观评价集与客观评价集结合得到对应于该分割结果图片集的综合评价集。将客观评价集作为输入、将主观评价集作为输出采用分类器进行训练，则训练好的分类器可应用于对图片分割结果的评价。

至此，对该领域此类图片的分割结果进行评价时，用相应的客观评价指标对分割结果的各个特征分别进行计算，将计算得到的值输入到分类器中，可得到此分割结果的综合评价值。

具体地，本发明涉及了15个客观评价指标，包括优度指标5个，差异指标10个。

优度指标：灰度对比度、区域内部均匀性测度、形状测度、分割信息熵、区域间散度对比度。

差异指标：距离加权标准差、平均距离平方、平均绝对距离、优度函数、平均最小距离、豪斯多夫距离、面积交迭度、误分率、全局检全率、全局检准率。

分类器可使用BP神经网络、支持向量机等通用分类器。

如图1所示，下面以一具体实施例说明本发明方法：

第一部分，分类器训练：

步骤一：收集一定数量某一领域某一类型的图片；

步骤二：用一种或多种分割方法（人工或机器分割均可）对图片进行分割，得到分割结果集；

步骤三：分别对此分割结果集进行人工主观评价和多指标客观评价，得到主观评价集和客观评价集；

步骤四：用客观评价集作为输入、主观评价集作为输出，训练分类器，得到经过训练的分类器。

第二部分，应用分类器评价：

步骤五：计算待评价分割结果的客观评价指标值；

步骤六：将客观评价指标值输入至经过训练的分类器中，得到评价结果。

本发明涉及的客观评价指标分为两类，即优度指标和差异指标。叙述如下：

5种优度指标分别为：

灰度对比度： $\mathrm{GC}=\frac{|f_1-f_2|}{f_1+f_2},$

式中f₁和f₂分别为分割图像中目标和背景区域内像素的平均灰度；

区域内部均匀性测度： $\mathrm{UM}=1-\frac{1}{C}\underset{i}{\mathrm{\Σ}}\left\{\underset{(x,y)\∈R_i}{\mathrm{\Σ}}{[f(x,y)-\frac{1}{A_i}\underset{(x,y)\∈R_i}{\mathrm{\Σ}}f(x,y)]}^2\right\},$

式中R_i为分割图像中第i个区域，其中i＝1时为目标区域，i＝2时为背景区域，A_i为对应区域的面积，f(x,y)为像素灰度，C为归一化系数；

形状测度： $\mathrm{SM}=\frac{1}{C}\left\{\underset{x,y}{\mathrm{\Σ}}\mathrm{Sgn}\right[f(x,y)-f_N(x,y)\left]g(x,y)\mathrm{Sgn}\right[f(x,y)-T\left]\right\},$

式中(x,y)代表分割图像的边界像素，f(x,y)为像素灰度，f_N(x,y)为像素邻域内的平均灰度，N为邻域像素的个数，g(x,y)为像素灰度梯度，Sgn为单位阶跃函数，T为预先确定的阈值，C为归一化系数；

分割信息熵: $\mathrm{SE}=\frac{{\mathrm{\Σ}}_{i=1}^{2}H\left(r_i\right)-H\left(f\right)}{H\left(f\right)},H\left(f\right)=-\underset{i-1}{\overset{n}{\mathrm{\Σ}}}P\left(x_i\right)\log P\left(x_i\right),$

式中f为分割图像，r_i为分割图的第i个区域，其中i＝1时为目标区域，i＝2时为背景区域，P(x_i)为出现灰度xi的概率；

区域间散度对比度: $\mathrm{VC}=v-\frac{1}{2}(v_1+v_2),$

式中v为分割图像的灰度方差，v₁为目标区域的灰度方差，v₂为背景区域的灰度方差；

10种差异指标分别为：

距离加权标准差： $R1=\frac{1}{I_N}\underset{1}{\overset{I_A}{\mathrm{\Σ}}}\frac{1}{1+\mathrm{\δ}{e}^2};$

平均距离平方： $R2=\frac{1}{I_A}\underset{1}{\overset{I_A}{\mathrm{\Σ}}}{e}^2;$

平均绝对距离： $R3=\frac{1}{I_A}\underset{1}{\overset{I_A}{\mathrm{\Σ}}}\left|e\right|;$

上述三式中I_A为分割边界的像素数，I_N为参考分割边界的像素数，e为分割边界像素到参考分割边界的最小距离，δ为一设定值；

优度函数： $\mathrm{FOM}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{1}{1+p\×d^2\left(i\right)},$

式中N为错分像素数，p为比例系数，d²(i)为第i个错分像素与参考边界的最小距离；

平均最小距离： $\mathrm{AMED}=\frac{1}{2}[\frac{1}{p}\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\mathrm{MD}(a_i,B)+\frac{1}{q}\underset{i=1}{\overset{q}{\mathrm{\Σ}}}\mathrm{MD}(b_j,A)];$

豪斯多夫距离； $\mathrm{HD}=\max \left\{\underset{i\∈\{\mathrm{1,2},\·\·\·,p\}}{\max }\right[\mathrm{MD}(a_i,B)],\underset{j\∈\{\mathrm{1,2}\·\·\·,q\}}{\max }[\mathrm{MD}(b_j,A)\left]\right\};$

上述两式中A和B分别为分割边界和参考分割边界，p和q分别为其像素数，MD为像素到边界的最小距离；

面积交迭度： $\mathrm{AOM}=\frac{\mathrm{Area}\{S_A\∩S_B\}}{\mathrm{Area}\{S_A\∪S_B\}};$

误分率： $\mathrm{ME}=\frac{\mathrm{Area}\{S_A\∪S_B\}-\mathrm{Area}\{S_A\∩S_B\}}{\mathrm{Area}\left\{S_B\right\}};$

全局检全率： $\mathrm{GR}=\frac{\mathrm{Area}\{S_A\∩S_B\}}{\mathrm{Area}\left\{S_B\right\}};$

全局检准率： $\mathrm{GP}=\frac{\mathrm{Area}\{S_A\∩S_B\}}{\mathrm{Area}\left\{S_A\right\}};$

上述四式中S_A为分割区域，S_B为参考分割区域，Area为对应区域的面积。

如图3所示为本实施例中涉及的分类器，该分类器采用BP神经网络，实验中构造了含有两个隐含层的神经网络。输入层神经元数目为15，两个隐含层的神经元数目分别为5和10，输出层神经元数目为2。隐含层的传递函数为logsig，输出层传递函数为tansig。两函数定义如下：

$\log \sin \left(n\right)=\frac{1}{{1+e}^{-n}}$

$\tan \sin \left(n\right)=\frac{2}{{1+e}^{-2n}}-1$

神经网络在被训练1000次后完成。

十五个客观评价指标作为输入，输出为打分结果。

本发明所述图像分割结果评价方法实施步骤的第一部分需训练对应某一特定领域特定种类图像分割结果的分类器，此过程充分结合了该领域工作者的评判标准，使训练出的分类器可以代表其对图像分割结果的一般性要求；第二部分对新的分割结果进行评价时，只需测定待评价分割结果的十五项客观评价指标值，将这些值输入到经过训练的分类器中，即可得到代表该领域工作者评判标准的图像分割评价结果，此结果客观、定量、自动、稳定，且因无需再组织人员进行主观评价，减少了成本和评价周期。而相比于设计“图像分割结果客观评价模型”则更加方便、普适、易于实施。

利用本发明采用颈动脉超声医学图像进行了两组实验。

实验一：收集了三个颈动脉粥样硬化病人的三维颈动脉超声图片数据，每个病人的数据分为左右两组，共计六组，并在每组数据中提取十张颈动脉横切图片，共计六十张图片，将这些图片分别用水平集和snake两种图像分割方法分割颈动脉内膜，得到一百二十个分割结果，并结合临床医生的分割结果（金标准），得到这一百二十个结果的客观评价指标数据和主观评价打分结果。其中，客观评价指标数据为发明中说明的十五个指标由计算机自动计算得到，主观评价打分结果依照发明的思路，由六名从事医学图像处理的研究人员用“0～1分制”分别打分后将结果作平均处理得到。为了验证本发明的实际作用，即经过训练的分类器可以代表该领域研究人员对此类图片的分割要求，在实验中，采用了“留一法”，即将数据平均分为十二组，每次用其中的十一组训练分类器，用经过训练的分类器预测另外一组的打分结果，再与人工打分结果比较取绝对误差并记录，如此循环十二次，最后将绝对误差取平均，得到打分平均误差。

经过实验，BP神经网络的打分平均误差为0.08204。

实验二：此次实验除进行的是颈动脉外膜分割及其评价外，其他内容，如图片数据、实验流程、验证方法等，均与实验一相同。

经过实验，BP神经网络的打分平均误差为0.08749。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于组合指标的图像分割结果定量评价方法，其特征在于，所述方法包括以下步骤：

步骤1，选择与待评测分割结果的图像所属类别相同的多张图片，用一种或多种分割方法将这些图片进行分割，得到分割结果集；

步骤2，对上述分割结果集进行人工主观评价，获取各分割结果的主观评价结果，得到主观评价集；

步骤3，对上述分割结果集进行多指标客观评价，计算各分割结果的客观评价指标值，得到客观评价集；

步骤4，用客观评价集作为分类器的输入，主观评价集作为分类器的输出，训练分类器得到经过训练的分类器；

步骤5，计算待评测图像分割结果的客观评价指标值；

步骤6，将待评测图像分割结果的客观评价指标值输入经过训练的分类器中，得到评价结果。

2.如权利要求1所述的方法，其特征在于，所述步骤3和步骤5中计算分割结果的客观评价指标值具体包括5种优度指标和10种差异指标，其中：

5种优度指标分别为：

灰度对比度： $\mathrm{GC}=\frac{|f_1-f_2|}{f_1+f_2},$

式中f₁和f₂分别为分割图像中目标和背景区域内像素的平均灰度；

区域内部均匀性测度： $\mathrm{UM}=1-\frac{1}{C}\underset{i}{\mathrm{\Σ}}\left\{\underset{(x,y)\∈R_i}{\mathrm{\Σ}}{[f(x,y)-\frac{1}{A_i}\underset{(x,y)\∈R_i}{\mathrm{\Σ}}f(x,y)]}^2\right\},$

式中，R_i为分割图像中第i个区域，其中i＝1时为目标区域，i＝2时为背景区域，A_i为对应区域的面积，f(x,y)为像素灰度，C为归一化系数；

形状测度： $\mathrm{SM}=\frac{1}{C}\left\{\underset{x,y}{\mathrm{\Σ}}\mathrm{Sgn}\right[f(x,y)-f_N(x,y)\left]g(x,y)\mathrm{Sgn}\right[f(x,y)-T\left]\right\},$

式中(x,y)代表分割图像的边界像素，f(x,y)为像素灰度，f_N(x,y)为像素(x,y)邻域内的平均灰度，N为邻域像素的个数，g(x,y)为像素灰度梯度，Sgn为单位阶跃函数，T为预先确定的阈值，C为归一化系数；

分割信息熵: $\mathrm{SE}=\frac{{\mathrm{\Σ}}_{i=1}^{2}H\left(r_i\right)-H\left(f\right)}{H\left(f\right)},$ 其中 $H\left(f\right)=-\underset{i-1}{\overset{n}{\mathrm{\Σ}}}P\left(x_i\right)\log P\left(x_i\right),$

式中f为分割图像，r_i为分割图像的第i个区域，其中i＝1时为目标区域，i＝2时为背景区域，P(x_i)为出现灰度xi的概率；

区域间散度对比度: $\mathrm{VC}=v-\frac{1}{2}(v_1+v_2),$

式中v为分割图像的灰度方差，v₁为目标区域的灰度方差，v₂为背景区域的灰度方差；

10种差异指标分别为：

距离加权标准差： $R1=\frac{1}{I_N}\underset{1}{\overset{I_A}{\mathrm{\Σ}}}\frac{1}{1+\mathrm{\δ}{e}^2};$

平均距离平方： $R2=\frac{1}{I_A}\underset{1}{\overset{I_A}{\mathrm{\Σ}}}{e}^2;$

平均绝对距离： $R3=\frac{1}{I_A}\underset{1}{\overset{I_A}{\mathrm{\Σ}}}\left|e\right|;$

上述三式中I_A为分割边界的像素数，I_N为参考分割边界的像素数，e为分割边界像素到参考分割边界的最小距离，δ为一设定值；

优度函数： $\mathrm{FOM}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{1}{1+p\×d^2\left(i\right)},$

式中N为错分像素数，p为比例系数，d²(i)为第i个错分像素与参考边界的最小距离；

平均最小距离： $\mathrm{AMED}=\frac{1}{2}[\frac{1}{p}\underset{i=1}{\overset{p}{\mathrm{\Σ}}}\mathrm{MD}(a_i,B)+\frac{1}{q}\underset{i=1}{\overset{q}{\mathrm{\Σ}}}\mathrm{MD}(b_j,A)];$

豪斯多夫距离； $\mathrm{HD}=\max \left\{\underset{i\∈\{\mathrm{1,2},\·\·\·,p\}}{\max }\right[\mathrm{MD}(a_i,B)],\underset{j\∈\{\mathrm{1,2}\·\·\·,q\}}{\max }[\mathrm{MD}(b_j,A)\left]\right\};$

上述两式中A和B分别为分割边界和参考分割边界，p和q分别为其像素数，MD为像素到边界的最小距离；

面积交迭度： $\mathrm{AOM}=\frac{\mathrm{Area}\{S_A\∩S_B\}}{\mathrm{Area}\{S_A\∪S_B\}};$

误分率： $\mathrm{ME}=\frac{\mathrm{Area}\{S_A\∪S_B\}-\mathrm{Area}\{S_A\∩S_B\}}{\mathrm{Area}\left\{S_B\right\}};$

全局检全率： $\mathrm{GR}=\frac{\mathrm{Area}\{S_A\∩S_B\}}{\mathrm{Area}\left\{S_B\right\}};$

全局检准率： $\mathrm{GP}=\frac{\mathrm{Area}\{S_A\∩S_B\}}{\mathrm{Area}\left\{S_A\right\}};$

上述四式中S_A为分割区域，S_B为参考分割区域，Area为对应区域的面积。

3.如权利要求1或2所述的方法，其特征在于，所述分类器为BP神经网络或者支持向量机。

4.如权利要求1至3任一项所述的方法，其特征在于，所述步骤1具体为：选择与待评测分割结果的图像所属类别相同的多张图片，用一种或多种分割方法将这些图片进行分割，得到多个分割结果，将这些分割结果进行筛选，使好的分割结果和坏的分割结果在数量上基本分布均匀，得到该类别图片的分割结果集。

5.如权利要求4所述的方法，其特征在于，所述步骤2具体为：对步骤1中得到的分割结果集中的各个分割结果进行多个人工主观评价，将每个分割结果的多个人工主观评价结果进行综合得到与该分割结果集对应的主观评价集。

6.如权利要求5所述的方法，其特征在于，所述人工主观评价采用打分方法。

Images