边缘检测评估指标全解析：从PR曲线到F值计算，手把手教你复现论文结果

边缘检测评估指标全解析：从PR曲线到F值计算，手把手教你复现论文结果

在计算机视觉领域，边缘检测作为图像处理的基础任务，其评估指标的科学性和可复现性直接影响着算法改进的方向。不同于简单的分类任务，边缘检测的评估需要考虑像素级别的定位精度、边界连续性以及算法对噪声的鲁棒性。本文将深入剖析边缘检测评估的核心指标体系，通过代码实例演示如何从原始预测结果生成PR曲线、计算F值，并最终复现论文中常见的ODS、OIS等关键指标。

1. 边缘检测评估的核心概念解析

边缘检测评估的本质是衡量算法输出与人工标注（ground truth）之间的一致性程度。由于边缘像素只占整幅图像的极小比例（通常不足5%），这本质上是一个极端类别不平衡的二分类问题。

1.1 基础指标定义

精确率（Precision）：
定义为预测为边缘的像素中真正属于边缘的比例，反映算法预测的准确性：

Precision = TP / (TP + FP)

召回率（Recall）：
衡量所有真实边缘像素中被正确检测到的比例，反映算法的覆盖能力：

Recall = TP / (TP + FN)

在边缘检测任务中，TP/FP/FN的判断需要引入距离容差（distance tolerance）概念。BSDS500基准采用的典型参数设置：