有谁做过用roc曲线评价边缘检测的性能吗

求一个MATLAB代码，自己卡在这好久了，生成出的曲线就是不对

【性能评估】ROC曲线

可以借鉴下
https://blog.csdn.net/qq_30159015/article/details/84107383

直接看代码：

% 预测结果和真实标签数据
y_pred = [0.4 0.6 0.7 0.1 0.9 0.3 0.2 0.8 0.5 0.6];
y_true = [0 1 1 0 1 0 0 1 0 1];
% 计算不同的阈值下的真阳性率和假阳性率
thresholds = 0:0.1:1;
tpr = zeros(size(thresholds));
fpr = zeros(size(thresholds));
for i = 1:length(thresholds)
    threshold = thresholds(i);
    y_pred_bin = y_pred >= threshold;
    tp = sum(y_pred_bin == 1 & y_true == 1);
    fp = sum(y_pred_bin == 1 & y_true == 0);
    tn = sum(y_pred_bin == 0 & y_true == 0);
    fn = sum(y_pred_bin == 0 & y_true == 1);
    tpr(i) = tp / (tp + fn);
    fpr(i) = fp / (fp + tn);
end
% 绘制ROC曲线
figure;
plot(fpr, tpr, 'b-', 'LineWidth', 2);
xlabel('False Positive Rate');
ylabel('True Positive Rate');
title('ROC Curve');
axis([0 1 0 1]);
grid on;

引用ChatGPT部分参考作答：
首先，我们需要准备数据，包括真实标签和预测标签。在这个示例中，我们将使用自带的"coins.png"图像作为示例。我们将通过Sobel算子进行边缘检测，然后将结果与实际结果进行比较。

% 读取图像
I = imread('coins.png');
% 手动创建真实的边缘标签
BW = edge(I,'Sobel');
% 对输入图像进行边缘检测
Ie = edge(I,'Sobel',0.12);

% 展示结果
figure; imshow(Ie); title('Detected Edges');
figure; imshow(BW); title('True Edges');

接下来，我们将准备ROC曲线所需的数据，包括真阳性率（True Positivity Rate, TPR）和假阳性率(False Positivity Rate, FPR)。真阳性率表示我们检测到的正样本中有多少是真实的正样本，假阳性率则表示我们检测到的负样本中有多少是错误的正样本。

% 计算真阳性率和假阳性率
[P,Q] = perfcurve(BW(:),Ie(:),1);
% 绘制ROC曲线
figure; plot(Q,P); xlabel('False Positive Rate'); ylabel('True Positive Rate'); title('ROC Curve');

完成后，你将会得到一幅ROC曲线图，该图展示了不同阈值下的真阳性率和假阳性率。通过分析ROC曲线，我们可以确定算法的性能并找到最佳的阈值。

我可以提供一些MATLAB代码示例帮助你实现ROC曲线评估边缘检测的性能。以下是一个例子，其中使用了自带的perfcurve函数和一些示例数据：

% load example edge detection data
load edges

% calculate the score for each pixel
score = F1;

% calculate the labels for each pixel
label = bw;

% calculate the ROC curve
[X,Y,T,AUC] = perfcurve(label(:), score(:), true);

% plot the ROC curve
plot(X,Y)

% add some labels and titles
title('ROC Curve for Edge Detection')
xlabel('False Positive Rate')
ylabel('True Positive Rate')

请注意，你可能需要将这个代码示例适当修改以匹配你的数据和实验设置。

以下答案由GPT-3.5大模型与博主波罗歌共同编写：
ROC（Receiver Operating Characteristic）曲线是衡量分类器性能的一种常用方法。对于边缘检测，在验证边缘检测器的性能时，常通过生成ROC曲线来评估分类器的性能。下面是一段使用MATLAB实现边缘检测的ROC曲线评价代码：

% 读取边缘检测结果和真实标签
edge_result = imread('edge_result.png');
ground_truth = imread('ground_truth.png');

% 对结果和标签进行二值化
edge_result_bw = edge_result > 0;
ground_truth_bw = ground_truth > 0;

% 计算真实正例（标签为1）的数量
num_positive = sum(ground_truth_bw(:));

% 计算真实负例（标签为0）的数量
num_negative = numel(ground_truth_bw) - num_positive;

% 针对每一个像素点，将结果和标签进行分类
for i = 1:numel(edge_result_bw)
    if ground_truth_bw(i) == 1
        if edge_result_bw(i) == 1
            % 真正例
            true_positive = true_positive + 1;
        else
            % 假负例
            false_negative = false_negative + 1;
        end
    else
        if edge_result_bw(i) == 1
            % 假正例
            false_positive = false_positive + 1;
        else
            % 真负例
            true_negative = true_negative + 1;
        end
    end
end

% 计算真正例率和假正例率
true_positive_rate = true_positive / num_positive;
false_positive_rate = false_positive / num_negative;

% 画ROC曲线
plot(false_positive_rate, true_positive_rate);
xlabel('False Positive Rate');
ylabel('True Positive Rate');
title('ROC Curve');

% 计算AUC
auc = trapz(false_positive_rate, true_positive_rate);
fprintf('AUC: %f', auc);

在这段代码中，首先将边缘检测结果和真实标签二值化。然后，针对每一个像素点，将结果和标签进行分类，得出真正例、假正例、真负例和假负例的数量。接着，计算真正例率和假正例率，并画出ROC曲线。最后，计算ROC曲线下面积（AUC）。

需要注意的是，这段代码只是一个简单的演示，实际应用中，还需要对分类器进行评估和改进，才能得出更准确的结果。希望对你有所帮助！
如果我的回答解决了您的问题，请采纳！

matlab
% 假设预测结果存在preEdge中，真实边缘存在realEdge中
% 设置两者阈值，进行二值化处理得到二值图像preImg和realImg
preImg = preEdge > threshold;
realImg = realEdge > threshold;

% 计算真阳性、假阳性和假阴性像素数
tp = sum(preImg & realImg, 'all');
fp = sum(preImg & ~realImg, 'all');
fn = sum(~preImg & realImg, 'all');

% 计算准确率和召回率
precision = tp / (tp + fp);
recall = tp / (tp + fn);

% 计算F1-score
F1_score = 2 * precision * recall / (precision + recall)