图像处理评价指标_划分系数Vpc划分熵Vpe

划分系数划分熵

评价指标划分系数Vpc和划分熵Vpe能够反映分割矩阵的模糊程度，Vpc数值越大，分割矩阵的模糊性越小，分割效果越好；Vpe数值越小，像素分类越准确，分割效果越好。

（1）划分系数Vpc评价指标的定义为：

V

p

c

=

∑

i

=

1

n

∑

k

=

1

K

u

k

i

2

/

n

V_{pc} = \sum_{i=1}^{n}\sum_{k=1}^K u_{ki}^2/n

Vpc​=i=1∑n​k=1∑K​uki2​/n

其中，

K

K

K表示聚类数目，

u

k

i

u_{ki}

uki​ 是隶属度函数，表示第

i

i

i个像素属于第

k

k

k分类的隶属度，

n

n

n是像素总数。

（2）划分熵Vpe评价指标的定义为：

V

p

e

=

−

∑

i

=

1

n

∑

k

=

1

K

u

k

i

∗

l

o

g

(

u

k

i

)

/

n

V_{pe} = -\sum_{i=1}^{n}\sum_{k=1}^K u_{ki}*log(u_{ki})/n

Vpe​=−i=1∑n​k=1∑K​uki​∗log(uki​)/n

Matlab代码

function [V_pc,V_pe_10,V_pe_e]=V_pcpe(u)
%评价函数指标 划分系数V_pc，划分熵V_pe

%% u是隶属度函数
[m,n]=size(u);
%% 划分系数V_pc
V_pc = sum(sum(u.^2))/n;

%% 划分熵V_pe
V_pe_10=-sum(sum(u.*log10(u)))/n;
V_pe_e=-sum(sum(u.*log(u)))/n;

我的个人博客文章地址，欢迎访问
我的CSDN文章地址，欢迎访问
我的GitHub主页，欢迎访问