显著性图谱的评价

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{Resultcap{GT}}{Result} ]

[recall= frac{Resultcap{GT}}{GT} ]

[F_{eta} = frac{(1+(eta)^{2}) imes{precision imes{recall}}}{(eta)^{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 ...
',k);
    for i=0:maxPixel/step
        precision = 0;
        recall = 0;
        fprintf('%d 	',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('
');
    
    preMatrixes(k,:) = preMatrix;
    recMatrixes(k,:) = recMatrix;
end

save 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;
    
end

hold 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);
    end
end

figure(2);

for k=1:9
    plot(Fbeta(k,:),'Color',lineColors(k,:), 'linewidth', 2);
    hold on;
end
hold off;
xlabel('Threshold');
ylabel('Fbeta');
legend('SR', 'FT', 'LC', 'HC', 'RC', 'DSR', 'GBMR', 'GC', 'HSD');
grid on;
axis([0 255 0 1]);