图像分类和融合中精度评价指标.docx
版权申诉
64 浏览量
2022-05-15
16:18:37
上传
评论
收藏 39KB DOCX 举报
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