近来也是做学位论文，其中有一张是对比了当前比较多的图像显著性方法，很多显著性算法都或者给出源码，或者给出可执行程序，或者是提供已分割的结果。
在有以上内容后，如何进行显著性的结果进行评价呢？我看到很多precision-recall曲线图，我以为很多作者都会给出评价的源码，然而实际并没有，虽然评价代码也很容易可以通过matlab编程得到，但无论怎样，还是有点麻烦的，起码我评价9个显著性算法，它得在我电脑上跑将近半天多（也是我偷懒没有优化吧）
对比的方法有：
| 算法名称 | 参考文献 | 实现代码 |
|---|---|---|
| 谱残差（SR） | Hou[40] | 作者提供的Matlab代码 |
| 频率调谐（FT） | Achanta[26] | 作者提供的Matlab代码 |
| 视觉注意（LC） | Zhai[25] | 作者提供的可执行代码 |
| 基于直方图的对比度（HC） | Cheng[31] | 作者提供的可执行代码 |
| 基于区域的对比度（RC） | Cheng[31] | 作者提供的可执行代码 |
| 分层显著性检测（HSD） | Yan[47] | 作者提供的可执行代码 |
| 图的流形排序（GBMR） | Yang[49] | 作者提供的Matlab代码 |
| 全局线索（GC） | Cheng[60] | 作者提供的可执行代码 |
| 稠密稀疏重建（DSR） | Li[52] | 作者提供的可执行代码 |
首先，先看看precision和recall的计算方法：
假设 \(Result\) 表示实际分割结果的前景像素点集合，\(GT\) 表示该图像真值（Ground Truth）的前景像素值，则precision和recall的计算如下：
\[ precision = \frac{Result\cap{GT}}{Result} \]
\[ recall= \frac{Result\cap{GT}}{GT} \]\[ F_{\beta} = \frac{(1+(\beta)^{2})\times{precision\times{recall}}}{(\beta)^{2}precision+recall}\]做过显著性的应该都知道，显著性图是一个从0~255的灰度图，并没有指定哪些是前景，哪些是背景，那么是如何评价的呢？
对于显著性图谱的评测，有种方法叫做固定阈值法，即使阈值从0~255变化，得到每一个阈值对应的precision和recall，遂有了曲线图，其中最高点即为该算法的最佳阈值点。
如下，即是对比图：
附上我自己写的比较低效率的评测代码：
代码1，计算实验所需的数据，并保存：
clc;clear all;srcDir = './Saliency/';gtFiles = dir([srcDir '*.bmp']);numFile = length(gtFiles);maxPixel = 255;step = 1;preMatrix = zeros([1 maxPixel/step+1]);recMatrix = zeros([1 maxPixel/step+1]);extNames = {'SR', 'FT', 'LC', 'HC', 'RC', 'DSR', 'GBMR', 'GC', 'HSD'};preMatrixes = zeros([9 maxPixel/step+1]);recMatrixes = zeros([9 maxPixel/step+1]);for k=1:9 fprintf('class: %d ...\n',k); for i=0:maxPixel/step precision = 0; recall = 0; fprintf('%d \t',i); for j=1:numFile [path name ext] = fileparts(gtFiles(j).name); salFilePath = [srcDir name '_' char(extNames(k)) '.png']; gtLogical = logical(rgb2gray(imread([srcDir gtFiles(j).name]))); salFile = imread(salFilePath); salFile(find(salFile >= i*step))=255; salFile(find(salFile < i*step))=0; salLogical = logical(salFile); gtNum = length(find(gtLogical==1)); salNum = length(find(salLogical==1)); interNum = length(find((gtLogical & salLogical)==1)); curPre = interNum/salNum; curRec = interNum/gtNum; precision = precision + curPre; recall = recall + curRec; end precision = precision/numFile; recall = recall/numFile; preMatrix(1,i+1) = precision; recMatrix(1,i+1) = recall; end fprintf('\n'); preMatrixes(k,:) = preMatrix; recMatrixes(k,:) = recMatrix;endsave savePreName 'preMatrixes';save saveRecName 'recMatrixes' 代码2，利用实验数据绘制对比数据图：
clc;clear all;load savePreName.mat;load saveRecName.mat;extNames = {'SR', 'FT', 'LC', 'HC', 'RC', 'DSR', 'GBMR', 'GC', 'HSD'};lineColors = zeros([9 3]);lineColors(1,:) = [1 0 0];lineColors(2,:) = [0 1 0];lineColors(3,:) = [0 0 1];lineColors(4,:) = [1 1 0];lineColors(5,:) = [1 0 1];lineColors(6,:) = [0 1 1];lineColors(7,:) = [0.4 0.5 0];lineColors(8,:) = [1 0 0.5];lineColors(9,:) = [1 0.5 0.5];figure(1);for k=1:9 recall = recMatrixes(k,:); precision = preMatrixes(k,:); plot(recall, precision, 'Color',lineColors(k,:), 'linewidth', 2); hold on; endhold off;xlabel('Recall');ylabel('Precision');legend('SR', 'FT', 'LC', 'HC', 'RC', 'DSR', 'GBMR', 'GC', 'HSD');grid on;axis([0 1 0 1]);Fbeta = zeros([9 256]);for k=1:9 for i=0:255 rec = recMatrixes(k,i+1); pre = preMatrixes(k,i+1); Fbeta(k,i+1) = (1+0.3)*pre*rec/(0.3*pre+rec); endendfigure(2);for k=1:9 plot(Fbeta(k,:),'Color',lineColors(k,:), 'linewidth', 2); hold on;endhold off;xlabel('Threshold');ylabel('Fbeta');legend('SR', 'FT', 'LC', 'HC', 'RC', 'DSR', 'GBMR', 'GC', 'HSD');grid on;axis([0 255 0 1]);