图像阈值化：理解评估指标对特定评估函数偏差
计算机视觉与模式识别
2026-05-27 v1
摘要
多级图像阈值化广泛用于从医学影像到遥感等领域的分割。经典目标函数，如 Otsu 的类间方差和卡普尔的熵，常通过元启发式算法进行优化，其性能通过结构相似性指数(SSIM)和峰值信噪比(PSNR)等指标进行评估。这些评估隐含地假设 SSIM 和 PSNR 提供中立的分割质量度量。在本研究中，我们通过分析 BSDS500 数据集中所有可能阈值的阈值目标函数与质量指标之间的相关性来检验这一假设。结果表明，Otsu 准则与 SSIM 和 PSNR 都表现出高相关性，而卡普尔的熵显示出较弱且更不稳定的相关性。Otsu 在所有图像上与 PSNR 的相关性优于卡普尔，在超过 91% 的图像上与 SSIM 的相关性更优。我们的发现揭示了内在的指标-目标函数偏差。本工作突显了需要更中性评估框架的必要性，并激励将分析扩展到其他阈值标准和领域。本论文的源代码可在 https://w3id.org/met-dp/icpr26-95 查找。
引用
@article{arxiv.2605.27132,
title = {Image Thresholding: Understanding Bias of Evaluation Metrics towards Specific Evaluation Functions},
author = {Eslam Hegazy and Mohamed Gabr},
journal= {arXiv preprint arXiv:2605.27132},
year = {2026}
}
备注
Submitted to ICPR 2026 (https://icpr2026.org)