mindspore.train.HausdorffDistance

class mindspore.train.HausdorffDistance(distance_metric='euclidean', percentile=None, directed=False, crop=True)

计算Hausdorff距离。Hausdorff距离是两个点集之间两点的最小距离的最大值，度量了两个点集间的最大不匹配程度。

给定两个集合A和B，A和B之间的Hausdorff距离定义如下：

\[H(A, B) = \text{max}[h(A, B), h(B, A)] h(A, B) = \underset{a \in A}{\text{max}}\{\underset{b \in B}{\text{min}} \rVert a - b \rVert \} h(B, A) = \underset{b \in B}{\text{max}}\{\underset{a \in A}{\text{min}} \rVert b - a \rVert \}\]

其中 \(h(A, B)\) 表示，对A中的每个点a找到B集合里的最近点，这些最短距离的最大值为从A到B的单向Hausdorff距离，同理，\(h(B, A)\) 为集合B到集合A中最近点的最大距离。Hausdoff距离是有方向性的，通常情况下 \(h(A, B)\) 不等于 \(h(B, A)\)。\(H(A, B)\) 为双向Hausdorff距离。

参数：

• distance_metric (string) - 支持如下三种距离计算方法： "euclidean" (欧式距离)、 "chessboard" (棋盘距离、切比雪夫距离) 或 "taxicab" (出租车距离、曼哈顿距离)。默认值： "euclidean" 。

• percentile (float) - 0到100之间的浮点数。指定最终返回的Hausdorff距离的百分位数。默认值： None 。

• directed (bool) - 如果为True，为单向Hausdorff距离，只计算h(y_pred, y)距离；如果为False，为双向Hausdorff距离，计算max(h(y_pred, y), h(y, y_pred))。默认值： False 。

• crop (bool) - 是否裁剪输入图像，仅保留目标区域。为了保证y_pred和y的shape匹配，使用(y_pred | y)，即两图像的并集来确定bounding box。默认值： True 。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor
>>> from mindspore.train import HausdorffDistance
>>>
>>> x = Tensor(np.array([[3, 0, 1], [1, 3, 0], [1, 0, 2]]))
>>> y = Tensor(np.array([[0, 2, 1], [1, 2, 1], [0, 0, 1]]))
>>> metric = HausdorffDistance()
>>> metric.clear()
>>> metric.update(x, y, 0)
>>> mean_average_distance = metric.eval()
>>> print(mean_average_distance)
1.4142135623730951

clear()

内部评估结果清零。

eval()

计算定向或非定向Hausdorff距离。

返回：

numpy.float64，计算得到的Hausdorff距离。

异常：

• RuntimeError - 如果没有先调用update方法。

update(*inputs)

使用 y_pred、 y 和 label_idx 更新内部评估结果。

参数：

• inputs - y_pred、 y 和 label_idx。 y_pred 和 y 为Tensor， list或numpy.ndarray， y_pred 是预测的二值图像， y 是实际的二值图像。 label_idx 的数据类型为int或float，表示像素点的类别值。

异常：

• ValueError - 输入的数量不等于3。

• TypeError - label_idx 的数据类型不是int或float。

• ValueError - label_idx 的值不在y_pred或y中。

• ValueError - y_pred 和 y 的shape不同。