图像处理-区域分割
图像分割方法
图像分割方法图像分割是图像处理的基本任务之一，它是用来从图像中将特征区分出来的一种编程技术，以提高图像处理任务的效率。
简单地说，图像分割是把一幅图像划分成若干个小块，每块代表一个特定的物体或物体的一部分。
它允许人们更好地理解图像的全局结构和本质，也有助于改善图像识别、检测、分类、检索等方面的性能。
图像分割的本质是将图像分解成两部分：分割区域和非分割区域。
分割区域是指要分割出的物体，而非分割区域表示背景或其他无关物体。
此外，分割有两个重要的部分：分割质量与分割效率。
常见的图像分割方法有基于边缘的方法、基于区域的方法和基于分段树的方法等。
基于边缘的方法是通过边缘检测技术检测图像中的边缘，然后将边缘分割出来，完成图像的分割。
由于这种方法主要考虑的是边缘信息，它不考虑整体的空间关系，所以当边缘信息不够时，可能会出现分割失败的现象。
因此，基于边缘的方法并不是很常用。
基于区域的方法是在图像中检测物体的区域，并将这些区域进行分割。
这种方法可以考虑整体的空间关系，但是也容易在细节考虑方面出现问题，比如区域界限不清晰，或者两个不同物体太接近，造成分割失败。
基于分段树的方法是利用每个像素的连通性和空间关系来构建连通域，然后分割连通域中的物体。
基于分段树的方法不仅可以考虑整体的空间关系，而且可以考虑细节的关系，由于考虑范围较广，因此在一些图像分割任务上，分段树的方法可以得到较好的效果。
此外，还有一种新兴的图像分割技术深度学习。
它采用了深度神经网络，通过深度学习网络可以实现半自动化的图像分割，它的效率要比传统的图像分割技术更高，具有潜力发展。
总之，图像分割是一种非常重要的图像处理技术，它可以帮助人们更好的理解图像的结构，改善图像识别的性能，并且可以应用在诸如自动驾驶、目标跟踪等领域中。
未来，深度学习在图像分割领域也将发挥很重要的作用，带来更高效率、更精确的分割结果。
图像处理中的图像分割算法改进方法
图像处理中的图像分割算法改进方法图像分割是图像处理领域中的重要任务，它旨在将一幅图像划分为一组具有相似特征的区域。
对图像进行有效的分割可以提取出感兴趣的目标，并为后续的图像分析和理解提供基础。
然而，由于图像中存在复杂的噪声、背景干扰以及目标形状和大小的差异，图像分割任务一直面临着挑战。
为了进一步提高图像分割的性能，研究人员提出了许多改进方法。
本文将介绍几种常见的图像分割算法改进方法，并讨论它们的原理和优缺点。
一、区域生长算法区域生长算法是一种基于类似区域像素特征的图像分割方法。
该算法从一组种子点出发，逐步生长和合并具有相似特征的像素。
该方法的主要优点是对不同大小、形状和纹理的目标具有较好的适应性。
然而，传统的区域生长算法容易受到噪声和纹理差异的影响，导致分割结果不准确。
为了改进该方法，研究人员提出了以下几种改进方法：1.多特征融合：将像素的多个特征（如颜色、纹理、梯度等）融合起来进行区域生长。
通过融合不同特征，可以减轻单一特征带来的误差，提高分割的准确性。
2.自适应阈值选择：传统的区域生长算法中，阈值通常是手动设置的，无法适应不同图像的特点。
采用自适应的阈值选择方法，可以根据图像的特征动态地选择合适的阈值，从而提高分割的鲁棒性。
3.分层分割策略：将图像分割任务分为多个层次，通过逐层分割和合并来获取更精确的结果。
这种策略可以提高分割的效率和准确性，并适用于大规模图像的处理。
二、基于深度学习的图像分割算法随着深度学习的快速发展，基于深度学习的图像分割算法在近年来取得了巨大的成功。
深度学习模型能够学习到图像的高级特征表示，从而提高分割的准确性和鲁棒性。
以下是几种常见的基于深度学习的图像分割算法：1.卷积神经网络（CNN）：CNN是一种常用于图像分割的深度学习模型。
通过多层卷积和池化操作，CNN可以学习到图像的局部和全局特征，从而实现像素级别的分割。
然而，传统的CNN在处理细节和形状复杂的目标时存在一定的困难，因此研究人员提出了一些改进的网络结构。
图像分割基于阈值和区域的分割ppt课件
单一阈值的灰度直方图
T1
T2
多阈值的灰度直方图
1. 阈值选取依据
▪ 仅取决于图像灰度值，仅与各个图像像素本身性质相 关的阈值选取——全局阈值
▪ 全局阈值是最简单的图像分割方法。
▪ 取决于图像灰度值和该点邻域的某种局部特性，即与 局部区域特性相关的的阈值选取——局部阈值
▪ 当背景不均匀，或者不同区域的前景灰度有较大变化时。
T = 0.67
T = 0.50
T = 0.10
图9.1 P-片法确定阈值进行文字分割
(2) 直方图分析法（极小值点阈值选取）
▪ 检查/观察图像的直方图，然后选择一个合适的阈值。 ▪ 双峰情况：目标物体内部具有均匀一致的灰度值，并
分布在另一个灰度值的均匀背景上，其灰度直方图将 有明显双峰。 ▪ 峰谷法：双峰情况下选择两峰之间的谷点作为门限值。 该方法简单，但不适用于两峰值相差极大，有宽且平 谷底的图像。 ▪ 问题：噪声干扰使谷的位置难以判定或者结果不稳定 可靠 ▪ 解决：对直方图进行平滑或曲线拟合
二、阈值分割法
▪ 基本原理：
原始图像——f(x,y)
灰度阈值——T
阈值运算得二值1图像如 —f—(xg,)(yx>,y)T
g(x,y) 0
如f(x,)y≤T
单阈值分割图例
h(z)
z
0
T
多阈值分割图像
确定一系列分割阈值
g ( x , y ) k 如 T k f ( x , y ) ≤ T k 1 k 0 , 1 , 2 , , K
▪ 目的：通过对分割结果的描述，可以理解图像 中包含的信息。
▪ 图像分割是将像素分类的过程（聚类），分类 的依据可建立在：
▪ 像素间的相似性：如相同的灰度值、相同的颜色等 ▪ 非连续性：边界、边缘
医学图像处理中的边缘检测与分割算法
医学图像处理中的边缘检测与分割算法边缘检测与分割是医学图像处理中的重要部分，被广泛应用于疾病诊断、医学影像分析和手术辅助等领域。
边缘检测算法用于提取图像中的边缘信息，而分割算法则可以将图像划分为不同的区域，有助于医生对图像进行进一步分析和诊断。
一、边缘检测算法在医学图像处理中，常用的边缘检测算法包括基于梯度的方法、基于模型的方法和基于机器学习的方法。
1. 基于梯度的方法基于梯度的边缘检测算法通过计算图像中像素点的梯度值来确定边缘位置。
常用的算法包括Sobel算子、Prewitt算子和Canny算子。
Sobel算子是一种常用的离散微分算子，通过在图像中对每个像素点应用Sobel算子矩阵，可以得到图像的x方向和y方向的梯度图像。
通过计算梯度幅值和方向，可以得到边缘的位置和方向。
Prewitt算子与Sobel算子类似，也是一种基于梯度的边缘检测算子。
它通过将图像中的每个像素点与Prewitt算子矩阵进行卷积运算，得到图像的x方向和y方向的梯度图像。
进一步计算梯度幅值和方向，可以确定边缘的位置和方向。
Canny算子是一种经典的边缘检测算法，它采用多步骤的方法来检测边缘。
首先，对图像进行高斯滤波来减少噪声。
然后，计算图像的梯度幅值和方向，进一步剔除非最大值的梯度。
最后，通过设置双阈值来确定真正的边缘。
2. 基于模型的方法基于模型的边缘检测算法借助数学模型来描述边缘的形状和特征。
常用的算法包括基于边缘模型的Snake算法和基于边缘模型的Active Contour算法。
Snake算法（也称为活动轮廓模型）是一种基于曲线的边缘检测算法。
它通过将一条初始曲线沿着图像中的边缘移动，使得曲线更好地贴合真实边缘。
Snake算法考虑了边缘的连续性、平滑性和能量最小化，可以获得较为准确的边缘。
Active Contour算法是Snake算法的进一步发展，引入了图像能量函数。
通过最小化能量函数，可以得到最佳的边缘位置。
Active Contour算法可以自动调整曲线的形状和位置，适应复杂的图像边缘。
区域分裂合并法在图像分割中的应用
区域分裂合并法在图像分割中的应用在图像处理的领域中，图像分割是一项关键的任务，其目的是将图像划分为具有不同特性的区域，以便于后续的分析和理解。
而区域分裂合并法作为一种重要的图像分割方法，凭借其独特的优势，在众多应用场景中发挥着重要作用。
要理解区域分裂合并法，首先得明白图像分割的基本概念。
简单来说，图像分割就是将一幅图像分成若干个有意义的区域，每个区域内部具有相似的特征，而不同区域之间的特征则存在明显差异。
这就好比我们在整理一堆杂物时，会把相似的物品放在一起，不同的物品分开存放。
区域分裂合并法的基本思想其实并不复杂。
它就像是在玩一个“拆解与组合”的游戏。
首先，从整幅图像开始，如果发现某个区域内部的差异较大，就将其分裂成更小的子区域，直到每个子区域内部的特性足够相似为止。
然后，再反过来看看这些子区域，把那些相似程度较高、应该属于同一类的子区域合并起来。
比如说，我们有一幅风景图像，其中有蓝天、白云、山脉和草地。
一开始，我们可能把整个图像看作一个大区域，但仔细一看，发现这个大区域内部的差异很大，蓝天和草地的颜色、纹理完全不同。
于是，我们就把这个大区域分裂成蓝天区域、白云区域、山脉区域和草地区域。
但再进一步观察，可能会发现某些相邻的白云区域其实非常相似，那就把它们合并成一个更大的白云区域。
这种方法的优点是显而易见的。
它对于复杂的图像，尤其是那些包含多种不同特征且分布不均的图像，具有很好的适应性。
而且，由于是基于区域的操作，所以在处理过程中能够较好地保留图像的空间信息。
在实际应用中，区域分裂合并法有着广泛的用途。
在医学图像处理中，比如对 X 光片、CT 扫描图像或者核磁共振图像进行分析时，医生们需要准确地分割出病变组织、正常组织以及各种器官。
区域分裂合并法就可以帮助他们将图像中不同的组织结构清晰地划分出来，为疾病的诊断和治疗提供有力的支持。
在卫星遥感图像的处理中，区域分裂合并法也大显身手。
通过对地球表面的遥感图像进行分割，可以区分出不同的土地类型，如森林、农田、城市、水域等，这对于资源监测、环境评估和城市规划等都具有重要的意义。
图像处理中的图像分割效果评估指标研究
图像处理中的图像分割效果评估指标研究图像处理领域中的图像分割是一项重要的任务，广泛应用于医学图像分析、目标检测、图像识别等领域。
在图像分割过程中，评估其效果的指标对于算法的改进和优化具有重要意义。
本文将探讨图像处理中常用的图像分割评估指标，分析其原理和适用范围。
图像分割是将图像分成具有相似性质或特征的不重叠区域的过程。
评估图像分割的效果需要一个准确而全面的指标。
以下是几个常用的图像分割效果评估指标：1. 轮廓相似度（Contour Similarity）轮廓相似度是评估分割结果与真实分割之间轮廓接近程度的指标。
它通过计算分割边界与真实边界之间的重合程度来评估分割的准确性。
轮廓相似度的计算通常使用Jaccard系数或Dice系数，它们分别是分割轮廓区域与真实轮廓区域的交集除以它们的并集。
这些系数的取值范围为0到1，越接近1表示分割效果越好。
2. 区域相似度（Region Similarity）区域相似度是评估分割结果与真实分割之间区域匹配程度的指标。
它通过计算分割区域与真实区域之间的重合程度来评估分割的准确性。
常用的区域相似度指标包括覆盖率（Recall）和准确率（Precision）。
覆盖率表示分割中正确划分的区域与真实区域的比例，准确率表示真实区域中被正确划分的区域比例。
综合考虑覆盖率和准确率的F1得分是一个常用的评价指标，其计算公式为F1 = 2 * (Precision * Recall) / (Precision + Recall)。
3. 边界误差（Boundary Error）边界误差是评估分割结果边界与真实边界之间差异程度的指标。
它可以通过计算分割边界与真实边界之间的距离进行测量。
常用的边界误差指标包括平均绝对误差（MAE）和线段对称哈尔夫距离（LSHD）。
MAE计算所有点与最近边界之间的距离的平均值，而LSHD计算最小距离点对之间的平均距离。
4. 相似性指数（Similarity Index）相似性指数是评估分割结果与真实分割之间相似程度的指标。
数字图像处理图像分割
如果检测结果小于给定的阈值，就把两个区域合并。
5.3 区域分割
2 分裂合并法 实际中常先把图像分成任意大小且不重叠的区域，然后再
合并或分裂这些区域以满足分割的要求,即分裂合并法.一致 性测度可以选择基于灰度统计特征(如同质区域中的方差),假
设阈值为T ,则算法步骤为: ① 对于任一Ri，如果 V (Ri ) T ，则将其分裂成互不重叠的四
3 影响因素
多特征阈值分割
a 灰度及平均灰度(3×3区)二维直方图
－－若集中于对角线区则表示灰度均匀 平均灰度
区。
边界
－－若远离对角线者（灰度与平均灰度 不同）是区域边界。
背景
（近对角线构成直方图有明显峰值及阈 值，远离对角线者可用灰度平均值作为 阈值，用于区分两个区）。
目标 边界
灰度
3 影响因素 多特征阈值分割 b 灰度与灰度梯度图
5.4 Hough变换
Hough变换是一种检测、定位直线和解析曲线的有效 方法。它是把二值图变换到Hough参数空间，在参数空间 用极值点的检测来完成目标的检测。下面以直线检测为例， 说明Hough变换的原理。
域，直到区域不能进一步扩张； Step4：返回到步骤1，继续扫描直到所有像素都有归属，则结束整
个生长过程。
5.3 区域分割
1 区域生长法 区域生长法生长准则
基于区域灰度差方法
讨论：生长准则与欠分割或过分割现象
10477 10477 01555 20565 22564
11577 11577 11555 21555 22555
C1的平均值：1
m
ipi
iT 1 w1
(T )
1 w(T )
m
其中, ipi w00 w11 是整体图像的灰度平均值
图像处理-区域分割ppt课件
• 各个区域Zebkde的加权平均值即为图像分割一致性的评价标准。
1 M
Zeb
N
Nk zebk
k 1
• 以区域内方差为原则：
• 区域内一致性判定
归一因子E，wk为权值 以分割图像一致性判断
2
1 Nk
(
iRk
fi
fk )2
(max fi min fi )2
E （ wk） iRk Rk I
• 所有的聚类分割法都对初始值敏感，分割效果不稳定；如果不考虑图像空间上下文间 信息，容易出现分割效果不理想的情况。
7
K-均值聚类
执行步骤：
• 1、选择某种方法将N割样本分成c个聚类的初始划分，计算每个聚类的均值u1、u2、 u3...uc和Je
• 2、选择一个备选样本x,设其在Xj中。
• 3、若Ni=1，则转步骤2，否则继续。
TP 、准确度=TP FP
FP FN
、错误率=
TP FPTN FN
等
15
其他分割方式
基于参数活动轮廓模型的分割
• 传统的Snake模型 • GVF Snake模型
基于几何形变模型的分割
• 几何活动轮廓模型 • 测地活动轮廓模型 • Chan-Vese模型
16
Thank you
• 4、计算。
j
Nj
N
j Ni
1
Ni 1
xuj x ui
2
ji 2 ji
• 5、对于所有的j，如果ρk<ρj，则将x从Xi移到Xk中。
• 6、重新计算uk和ui的值，并修改Je。
• 7、若迭代N次，Je不变，则停止，否则转到步骤2。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
• 优缺点：
• 方法简单，易于计算。 • 当图像是彩色的时候，仅用单色的准则效果会受到影响。 • 在不考虑像素间的连通性和邻近性时，可能出现无意义的结果。
区域生长法
• 2、基于区域内灰度分布统计性质 • 步骤1：把像素分成互不重叠的小区域。 • 步骤2：比较邻接区域的累计灰度直方图，根据分布的相似性进行区 域合并。 • 步骤3：设置终止准则，重复步骤2直到各区域合并满足终止条件。
➢ 典型的聚类方法： • K-均值 • 模糊C均值 • Mean-Shift聚类算法
➢ 优缺点：
• 不需要先验知识，属于无监督分割法，大大提高了分割的自动化程度，同时提高了分 割的效率。
• 所有的聚类分割法都对初始值敏感，分割效果不稳定；如果不考虑图像空间上下文间 信息，容易出现分割效果不理想的情况。
4S • 紧凑性= P 2
圆度= P 2 S
通过组合上述三类指标，可以形成性的评价指标！！！
有监督评价方法
真实目标 分割结果
TN FN TP FP
为目标。
为背景。
目标。
背景。
TP TP FN
TN TN FP
其中：TP是分割算法将实际目标正确分割 FN是分割算法将实际目标错误分割
FP是分割算法将实际背景错误分割为 TN是分割算法将实际背景正确分割为
• 5、对于所有的j，如果ρk<ρj，则将x从Xi移到Xk中。
• 6、重新计算uk和ui的值，并修改Je。
• 7、若迭代N次，Je不变，则停止，否则转到步骤2。
K-均值聚类
➢样本均值
1
ui
=
Ni
x
xX i
➢误差平方和
c
2
Je xui
i1 xXi
➢迭代uj 后uj的N 均j1值1(x和u平j) 方和
• 两图之间的联系最弱，则要求子图间的割最小。 • 问题：这中方法偏向于分离单个或者小簇顶点→
➢ 改进的分割算法→
E (u )N(c G 1 ,G u 2) ta c( s u G (1 G ,s 1 G t,G 2 o )) c a c( s u G (G 2 s ,2 G t,G 1 o ))c
无监督评价方法
➢ 区域内一致性标准
• 区域内一致性主要基于图像的颜色、灰度、纹理和熵等。
• 以最大对比度为原则：
• 分割后的二值图中有R1、R2...RM共M个区域，则第k个区域Rk的一致性Zebk表示为：
ZebkN1k
maxfi ( fj)
jW(i)Rk
iRk
其中i为Rk中的像素,fi为像素i的灰度值，W(i)为像素i的邻域，Nk为区域Rk的像素总数
• 确定一组能正确代表所需区域的种子要素。 • 确定在生长过程中能将相邻像素包含进来的准则。 • 制定让生长停止的条件。
➢ 生长准则
• 1、基于区域灰度差
• 步骤1：对像素扫描，找出尚未归置的像素。 • 步骤2：以该像素为中心检查他的邻接像素，如果灰度差小于预先的阈值，将他们合并。 • 步骤3：以新合并的像素为中心，返回步骤2。 • 步骤4：返回步骤1，继续扫描，直到所有像素都有归属。
分裂合并法
➢ 操作步骤
•对任意区域进行分割。
•对相邻区域，如果 V(Ri,Rj)t，将二者
合并，这里V代表同质区域中的方差。 •如果进一步的分裂或合并都不可能， 则终止算法。
聚类分割
➢ 聚类分割就是把给定的样本集合X={x1,x2,x3....xn}按照某种准则分割成k个不 相交的子集，满足区域分割的要求--同一子集中的样本相似性较大，不同子 集样本的相似性。
区域分割
郭栋彬
目录
➢ 基于区域的分割
• 区域生长法 • 分裂合并法
➢ 聚类分割
• K-均值聚类 • 模糊C均值聚类
➢ 基于图论的分割 ➢ 图像分割的性能评价
区域分割
➢ 阈（yu）值分割法没有或很少考虑空间关系，很多阈值选择受到限制，基 于区域的分割方法可以弥补这点不足。
➢ 区域分割方式：
• 1、区域生长法
TP TP FP
FPFN TPFPTNFN
• 衍生出如下有监督评价标准
其他分割方式
➢ 基于参数活动轮廓模型的分割
• 传统的Snake模型 • GVF Snake模型
➢ 基于几何形变模型的分割
• 几何活动轮廓模型 • 测地活动轮廓模型 • Chan-Vese模型
Thank you
此课件下载可自行编辑修改，供参考！ 部分内容来源于网络，如有侵权请与我联系删除！
Jj
Jj
Nj Nj 1
xuj
2
➢转移N判N j j 1 定x依uj据2NN k k1xuk 2
•
只有当x离uj的距离比离uk的距离更近时才满足上述不等式。
基于图论的分割
➢ 思想：将图像映射为带权图，将像素或区域视为节点，两节点属于同一区 域的可能性表示连接它们边的权值，这样就把分割问题转化为最优化问题-互补子图的割最小（距离说明）
• 各个区域Zebkde的加权平均值即为图像分割一致性的评价标准。
Zeb
1 N
M k1
Nkzebk
• 以区域内方差为原则：
• 区域内一致性判定
归一因子E，wk为权值 以分割图像一致性判断
2
1 Nk
iRk
(fi
fk)2
(mafximinfi)2
E（ wk）iRk RkI
iRk
2
U I 1-(Rk Iw k k2E) U I 1-N 2Rk Ii (R m k(fi a fi N 1 xm ki Rkfifii)n )22
K-均值聚类
➢ 执行步骤：
• 1、选择某种方法将N割样本分成c个聚类的初始划分，计算每个聚类的均值u1、u2、 u3...uc和Je
• 2、选择一个备选样本x,设其在Xj中。
• 3、若Ni=1，则转步骤2，否则继续。
• 4、计算。
j
Nj
N
j Ni
1
Ni 1
xuj x ui
2
ji 2 ji
• 合并原则：（1）mx aH x1(x-)H2(x)（2） X H1(x)H2(x)
• eg:灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。 这累里计设灰h度1(直X)方和图h2。(X)为相邻两个区域的灰度直方图，H1(X)和H2(X)分别为
➢ 问题：原图尺寸太小时检测可靠性降低，太大时得到的区域形状不理想， 小的目标可能漏掉。
图像的分割 图像 像素 相邻像素 相邻像素相似度
其中相邻像素的灰度分别为Ij和Ii，σ是一个调节参数。
基于图论的分割
➢ 分割原则：
• 1、同一子集Vi内的顶点之间的关系紧密。 • 2、不同子集Vi与Vj相互之间的关系松散。 • eg:补图、割集、边集。
➢ 分割算法
• 割集的权值之和为割： c( G u 1 ,G 2 ) t w ij E ( u ) m c( G iu 1 ,n G 2 ) t( ) i V 1 ( G 1 )j , V 2 ( G 2 )
i Rk
i Rk
无监督评价方法
➢ 区域间差异化指标
•思想：好的分割，其分割的相邻区域间的特征具有显著的差异。
➢ 语义指标
M1 M
DIR
1 Cm2
f (Ri ) f (Rj )
i1 ji1
max((g(x, y))ming( (x,
y))
( x, y)I
பைடு நூலகம்iI
•主要基于分割目标的形状和边界平滑度等信息。
• 思想：将每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围领域中 与种子像素有相同或相似的像素合并到种子像素所在的区域中。
• 2、分裂合并法
• 分裂合并法先从整幅图开始，先将图像分成任意大小且不重叠的区域，然后再合并或分裂这 些区域以满足分割的要求。
区域生长法
➢ 区域生长三要素：→
➢ 图论分割流程：
输入图像
映射为图
设计分 割准则
形成目 标函数
对目标函 数求解
图像分割
• 从图像到图的映射
•相似度判断因素：
1、灰度、颜色、纹理等图像特征
2、位置和距离；3、移动趋势；
4、观察s 者主m (i观,认j)为 le 的相x 似 ( 性Ip i。 I(j)2 2)
•权值转换：
图的分割 G=（V,E） V：图的顶点 E：连接顶点 W：边的权值
图像分割的性能评价
➢ 图像分割的性能评价分为：
• 无监督评价方法：通过分割结果图像的质量参数来评价相应的分割算法。 • 有监督评价方法：将算法分割得到的图像与理想分割的参考图像进行比对。
➢ 无监督评价方法的质量参数：
• 区域内一致性、区域间差异性指标、语义指标
➢ 有监督评价方法的分割评判标准：
• 真阳性（TP）、假阴性（FN）、假阳性（FP）、真阴性（TN）