برای رسم منحنی ROC در متلب، ابتدا باید دو مجموعه داده داشته باشید:
1- مجموعه داده برای تصاویر بازسازی شده
2-مجموعه داده برای تصاویر اصلی یا تصاویر بدون نویز.
سپس می‌توانید از این دو مجموعه برای محاسبه معیارهای مختلف و رسم منحنی ROC استفاده کنید.
معیارهای سنجش متداول برای تصاویر بازسازی شده عبارتند از:
1. Peak Signal-to-Noise Ratio (PSNR): این معیار برای اندازه‌گیری تفاوت بین تصویر بازسازی شده و تصویر اصلی استفاده می‌شود.
2. Root Mean Square Error (RMSE): این معیار نیز برای اندازه‌گیری خطا در تصاویر بازسازی شده استفاده می‌شود.
3. Structural Similarity Index (SSIM): این معیار برای اندازه‌گیری تشابه ساختاری بین تصویر بازسازی شده و تصویر اصلی استفاده می‌شود.
علاوه بر این معیارها، معیارهای دیگری نیز وجود دارند که می‌توانید برای سنجش تصاویر بازسازی شده استفاده کنید. برخی از این معیارها عبارتند از:
1. Mean Absolute Error (MAE): این معیار از میانگین مقادیر مطلق خطا در تصاویر بازسازی شده استفاده می‌کند.
2. Structural Dissimilarity Index (DSSIM): این معیار برای اندازه‌گیری تفاوت ساختاری بین تصویر بازسازی شده و تصویر اصلی استفاده می‌شود.
حال برای رسم منحنی ROC در متلب، شما می‌توانید از توابع مربوطه در متلب استفاده کنید، همچون `perfcurve` و `plotroc`. به عنوان مثال، می‌توانید از دستور زیر برای رسم منحنی ROC با استفاده از معیار PSNR استفاده کنید:
% داده‌های خروجی مدل خود را در متغیرهای زیر ذخیره کنید
predicted_scores = [0.2, 0.4, 0.6, 0.8]; % امتیازهای پیش‌بینی شده برای هر تصویر
true_labels = [0, 0, 1, 1]; % برچسب‌های واقعی (0: تصویر بازسازی شده، 1: تصویر اصلی)
% محاسبه منحنی ROC و مقدار AUC
[X,Y,T,AUC] = perfcurve(true_labels, predicted_scores, 1);
% رسم منحنی ROC
plot(X,Y);
xlabel('False Positive Rate');
ylabel('True Positive Rate');
title('ROC Curve');
لطفاً توجه داشته باشید که در مثال بالا، `predicted_scores` امتیازهای پیش‌بینی شده برای هر تصویر است و `true_labels` برچسب‌های واقعی برای تصاویر است. شما باید داده‌های خروجی مدل خود را با استفاده از این دو متغیر ذخیره کنید.
همچنین، شما می‌توانید همین روش را برای سایر معیارهای سنجش مورد نظر خود نیز استفاده کنید. برای مثال، می‌توانید `predicted_scores` را با استفاده از معیارهای دیگری مانند RMSE یا SSIM محاسبه کنید و سپس منحنی ROC را برای هر معیار رسم کنید.
با استفاده از کدهای مشابه می‌توانید منحنی ROC را برای معیارهای دیگر نیز رسم کنید. کافیست `predicted_scores` و `true_labels` را با استفاده از معیارهای دیگر محاسبه کنید و سپس کد رسم منحنی ROC را تکمیل کنید.