百度文库 - 让每个人平等地提升自我!
图像分类和融合中精度评价指标
1.图像分类中精度评价的几个指标
对分类结果进行评价,确定分类的精度和可靠性,有两种方式用于精度验证:一是混淆
矩阵,二是 ROC 曲线。比较常用的为混淆矩阵,ROC 曲线可以用图形的方式表达分类精度,
比较形象。评价精度的因子有混淆矩阵、总体分类精度、Kappa 系数、错分误差、漏分误差、
每一类的制图精度和用户精度:
1. 混淆矩阵(confusion matrix)
混淆矩阵又称误差矩阵(error matrix),是一个用于表示分为某一类别的像元个数与地面检
验为该类别数的比较阵列。通常,阵列中的列代表参考数据,行代表由遥感数据分类得到的
类别数据。有像元数和百分比表示两种。
Ground Truth(Pixels)
林地 耕地 未利用地 居民地
林地 297
耕地
323
2.总体分类精度(Overall Accuracy)
4.错分误差(Commission)
指被分为用户感兴趣的类,而实际属于另一类的像元,它显示在混淆矩阵里面。本例中,
总共划分为林地有 19210 个像元,其中正确分类 16825,2385 个是其他类别错分为林地(混
淆矩阵中林地一行其他类的总和),那么其错分误差为 2385/19210= 12.42%。
5.漏分误差(Omission)
指本身属于地表真实分类,当没有被分类器分到相应类别中的像元数。如在本例中的林地类,
有真实参考像元 16885 个,其中 16825 个正确分类,其余 60 个被错分为其余类(混淆矩阵
中耕地类中一列里其他类的总和),漏分误差 60/16885=0.36%
6.制图精度(Prod.Acc)
是指分类器将整个影像的像元正确分为 A 类的像元数(对角线值)与 A 类真实参考总
数(混淆矩阵中 A 类列的总和)的比率。如本例中林地有 16885 个真实参考像元,其中 16825
个正确分类,因此林地的制图精度是 16825/16885=99.64%。
7.用户精度(User.Acc)
1
评论0
最新资源