遥感影像分类精度评价

遥感图像分类精度评价在ENVI中，选择主菜单-分类-分类后-融合矩阵-使用地面真值。输入分类结果和投资回报率，软件将根据地区自动匹配。如果不正确，可以手动更改。单击确定并选择报告的显示方法(像素和百分比)以获得精度报告。对分类结果进行评估，以确定分类的准确性和可靠性。检验准确度的方法有两种：一种是混淆矩阵，另一种是ROC曲线，通常用作混淆矩阵。ROC曲线可以形象地表达分类的准确性和比较图像。遥感图像进行专题分类后，需要对分类精度进行评估，评估精度的因素包括混淆矩阵、总体分类精度、Kappa系数、误分类误差、缺失分类误差、制图精度和各类支持度。1.混淆矩阵):主要用于将分类结果与表面上的真实信息进行比较。分类结果的准确性可以显示在混淆矩阵中。通过将每个表面真实像素的位置和分类与分类图像中相应的位置和分类图像进行比较来计算混淆矩阵。混淆矩阵的每一列代表地球表面的真实分类。每一列中的值等于分类图像中对应类别的地球表面实际像素数。有两种像素数量和百分比。2.总精度):等于正确分类的像素之和除以像素总数，地球表面的真实图像或地球表面的真实感兴趣区域定义了像素的真实分类。正确分类的像素沿着混淆矩阵的对角线分布，混淆矩阵显示了分类到正确表面真实分类中的像素数量。像素总数等于所有表面真实分类中的像素总数。3.Kappa系数：计算分类精度的另一种方法。它是通过将所有表面真实分类中的像素总数(n)乘以混淆矩阵的对角线(Xkk)之和，将所有类别相加的结果减去某一类别中的表面真实像素总数和该类别中的分类像素总数的乘积，然后除以像素总数的平方方差减去某一类别中的表面真实像素总数和该类别中的分类像素总数的乘积而获得的。4.错误分类错误：指的是像素被分成用户感兴趣的类别，但实际上属于另一个类别。错误分类错误显示在混淆矩阵的行中。5.遗漏分类错误：指属于表面真实分类但未被分类器分类到相应类别的像素数。遗漏的错误显示在混淆矩阵的列中。6.映射精度：指分类器能够将图像的像素分类为A的概率，假设表面是真正的A类7.用户精度：指当分类器将像素分类为A类时，地球表面对应的真实类别为A的概率。混淆矩阵中的几个评估指标，如下所示：l总体分类准确性等于正确分类的单元格总数除以单元格总数。正确分类的像素数沿着混淆矩阵的对角线分布，并且像素数的总数等于所有真实参考源的像素数的总数，例如这次精度分类精度表中的整体精度=(1849/2346)。78.8150% .LKappa系数它是将所有类别相加的结果，方法是将所有实际参考的总像素数(n)乘以混淆矩阵的对角线(XKK)之和，减去某一类别中实际参考像素数和该类别中分类像素数的乘积，然后除以总像素数的平方，再减去某一类别中实际参考像素数和该类别中分类像素数的乘积。l错误分类错误被划分成用户感兴趣的类别但实际上属于另一个类别的像素被显示在混淆矩阵中。在这个例子中，t它指的是类别A的像素数量(对角线值)和类别A的实际参考总数(混淆矩阵中类别A的列的总和)之间的比率，分类器正确地对整个图像的像素进行分类。例如，在本例中，林地中有419个实际参考像素，其中265个被正确分类，因此林地的制图精度为265/419=63.25%。l用户精度它指的是分类器将整个图像的像素分类为A类时，正确分配给A类的像素总数(对角线值)与像素总数(混淆矩阵中A类行的总和)的比率。例如，在本例中，有265个正确的林地分类，277个完全分为林地，因此林地的用户精度为265/277=95.67%。首先，当你进行分类时，你应该选择要分类的区域图像。通常，需要地面数据来支持它。也就是说，您应该知道要分类的图像的地面特征类别，以便在分类完成后可以评估您的分类精度。分类精度通常由混淆矩阵来评估，并且从混淆矩阵计算的总精度和Kappa系数可以用作分类精度。分类的准确性，一般有两种方法，实地调查法；高分辨率图像验证低分辨率图像的分类。大多数文献的准确性验证方法只不过是传统方法：混淆矩阵整体准确性、kappa分析、现场验证和专家组评价验证。是否有其他更好的模型，例如现场验证，如何在现场分发它们？使用什么样的模型布局？值得一提的是，一些数据同化(也称为四维同化)终于在一段时间前被发现。数据同化最初是大气科学中的一个概念。四维同化：自气象卫星发射以来，不规则和非常规观测数据大幅增加。这些卫星数据的使用非常有助于弥补海洋和沙漠地区观测数据的不足，并及时更新预报值。因此，在初始数据处理中出现了四维同化方法。所谓四维同化，就是将不同时间(t)、不