ROC 曲線繪制
個人的淺顯理解：1.ROC曲線必須是針對連續值輸入的，通過選定不同的閾值而得到光滑而且連續的ROC曲線，故通常應用於Saliency算法評價中，因為可以選定0~255中任意的值進行閾值分割，從而得到ROC曲線；
2.對於圖像分割算法的評價不適合用ROC曲線進行評價，除非能夠得到連續值，而不是二值圖像；圖像分割算法適合采用准確率、召回率、F1指標的平均值進行評價。
3.針對已經分割好的二值圖像：分割出了一系列的分割二值圖，除非分割的結果足夠大，否則很難得到良好的ROC曲線，一般都是波動很大的，如下圖所示。
matlab中已經有現成的針對分類的ROC曲線繪制函數。
目前理解的並不透徹，以下資料可供進一步學習，記錄以備忘：
http://blog.sina.com.cn/s/blog_4cf8aad30100gt1g.html
http://www.ilovematlab.cn/thread-62962-1-1.html
http://blog.csdn.net/fuhpi/article/details/8813455
論文：The relationship between Precision-Recall and ROC curves.pdf
matlab中plotroc函數的用法說明：
ROC曲線是通用的分類器評價工具，matlab函數中自帶了繪制該曲線的函數plotroc。
plotroc函數的原型為：plotroc(targets, outputs)
其中參數targets是一個矩陣，代表測試集，每一列表示一個測試樣本的標簽
如果有兩類樣本，比如第1,2,5個樣本屬於第1類，第3,4,6個樣本屬於第2類....則targets應為：
1 1 0 0 1 0 ...
0 0 1 1 0 1 ...
如果只有一類樣本，包含了負樣本，則只要一行，用1表示正樣本，0表示負樣本即可,比如targets為：
1 0 1 1 0 0 0 0 1 ...
參數outputs也是一個矩陣，代表分類結果，同樣每一列表示一個測試樣本的分類結果
同樣如果有兩類樣本，則應有兩個分類器，每一列記錄了每個測試樣本在兩個分類器上的得分，此時outputs為：
0.8 0.85 0.2 0.75 0.21 ...
0.8 0.01 0.9 0.23 0.67 ...
如果只有一類，則outputs只有一行，如：
0.8 0.6 0.8 0.7 0.05 0.3 0.03 ...
注意，得分必須在[0, 1]的區間內，可以自己規約一下。
我們將相應的測試標簽targets和對應的分類得分outputs輸入plotroc中就可以繪制出相應的ROC曲線了。