前言
ROC曲线是红外小目标检测方法文章中最常见的指标之一。ROC曲线在目标检测文章中常常出现，但是对于红外小目标检测来说，由于红外小目标结果判定界限不清楚，所以其ROC曲线的意义与目标检测中常见ROC曲线的又有所不同。
一、一般目标检测中ROC的意义
受试者工作特征曲线 (receiver operating characteristic curve，简称ROC曲线)，又称为感受性曲线(sensitivity curve)。
ROC空间将伪阳性率（FPR）定义为 X 轴，真阳性率（TPR）定义为 Y 轴。
https://www.cnblogs.com/gatherstars/p/6084696.html
它画出来的结果是这样的，很多文章说他是滑动阈值下的衡量指标，大概指的是在图中随着FPR的变化TPR也是在变化，而这种变化本质上是阈值参数不断改变的结果。
二、红外小目标检测中的ROC曲线
在文章【1】中对ROC有一个简单的阐述：
PD=(number of true target)/(number of actural target)
FA=number of false detection/number of tested frames
但是怎么才能判定检测出的点是不是目标呢？
在文章【2】中给出了定义：
检测结果与图像有重叠检测结果与真实目标的中心像素位置相差不超过一定范围（4个像素）
步骤分析：获取检测结果二值化图像和真实目标中心像素（质心）位置：可以通过链接【3】计算- 根据文章【2】判中的定义，
判定不同二值化阈值检测结果中false detection和true detection 统计false detection和true detection的数量- 通过公式
计算PD和FA - 以FA为横轴PD为纵轴绘制ROC曲线
三、检测结果以及存在问题
问题1：一幅图像中检测目标比真实目标数目多
真实目标只有两个，但是通过条件检测出三个真实目标
问题2：一幅图像中误检非常多导致曲线很奇怪
不知道是方法不好还是参数不到位，图像中出现了很多的误检，有的误检点之间距离还特别近。
总结
按照自己对红外小目标和roc曲线的理解，画出了roc曲线，但是曲线还存在这一些问题：
- 一些算法，对边缘突变部分出现了很多误检，这会导致误检率激增，导致曲线不协调。
- 虽然阈值在不断的调整，但是得到的点仍然很少，曲线不够平滑
我的理解可能还有很多不正确的地方，请各位多多指教。
[1]:Depeng Liu et al.“ Attentional Local Constrast Networks for Infrared Small Target Detection”.vil11,No.7,JULY 2018.
[2]: C. Gao et al., “Infrared Patch-Image Model for Small Target Detection in a Single Image,” vol. 22, no. 12, pp. 4996–5009, 2013.
[3]:https://blog.csdn.net/qq_34554039/article/details/110673918?spm=1001.2014.3001.5502
[4]:https://blog.csdn.net/tb3039450/article/details/24115303