遥感分类误差矩阵_遥感卫星影像之分类精度评价
原标题:遥感卫星影像之分类精度评价
对一帧遥感影像进行专题分类后需要进行分类精度的评价,而进行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拥护精度。
1、混淆矩阵(Confusion Matrix): 主要用于比较分类结果和地表真实信息,可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。混淆矩阵的每一列代表了一个地表真实分类,每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量,有像元数和百分比表示两种。
2、总体分类精度(Overall Accuracy): 等于被正确分类的像元总和除以总像元数,地表真实图像或地表真实感兴趣区限定了像元的真实分类。被正确分类的像元沿着混淆矩阵的对角线分布,它显示出被分类到正确地表真实分类中的像元数。像元总数等于所有地表真实分类中的像元总和。
3、Kappa系数:是另外一种计算分类精度的方法。它是通过把所有地表真实分类中的像元总数(N)乘以混淆矩阵对角线(Xkk)的和,再减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果,再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。
4、错分误差:指被分为用户感兴趣的类,而实际上属于另一类的像元,错分误差显示在混淆矩阵的行里面。
5、漏分误差:指本属于地表真实分类,但没有被分类器分到相应类别中的像元数。漏分误差显示在混淆矩阵的列里。
6、制图精度:指假定地表真实为A类,分类器能将一幅图像的像元归为A的概率
7、用户精度:指假定分类器将像元归到A类时,相应的地表真实类别是A的概率。
混淆矩阵中的几项评价指标,如下:
l总体分类精度
等于被正确分类的像元总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布,总像元数等于所有真实参考源的像元总数,如本次精度分类精度表中的Overall Accuracy = (1849/2346)
78.8150%。
lKappa系数
它是通过把所有真实参考的像元总数(N)乘以混淆矩阵对角线(XKK)的和,再减去某一类中真实参考像元数与该类中被分类像元总数之积之后,再除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。
l错分误差
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,林地有419个真实参考像元,其中正确分类265,12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12/419=2.9%。
l漏分误差
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。如在本例中的耕地类,有真实参考像元465个,其中462个正确分类,其余3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),漏分误差为3/465=0.6%
l制图精度
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419个真实参考像元,其中265个正确分类,因此林地的制图精度是265/419=63.25%。
l用户精度
是指正确分到A类的像元总数(对角线值)与分类器将整个影像的像元分为A类的像元总数(混淆矩阵中A类行的总和)比率。如本例中林地有265个正确分类,总共划分为林地的有277,所以林地的用户精度是265/277=95.67%。
首先你做分类的时候要选好分类的地区影像,一般要求要有地面数据支持,也就是说要知道你待分类的影像的地物类别,这样在你的分类完成后才可能评价你的分类精度,
分类精度的评价一般是用混淆矩阵来评价,从混淆矩阵中算出总精度和Kappa系数就可作为分类精度了。
分类的精度,一般两种方法,实地调查;高分辨率的影像检验低分辨率影像的分类。
大部分文献的精度验证方法无非还是那些传统的方法:混淆矩阵的总体精度,kappa分析,野外验证,专家组评估验证。还有没有别的更好一些的模型,就比如说是野外验证,野外如何布点?采用什么样的模型布点?值得一提的是前段时间终于查到一些数据同化(又叫四维同化)的资料。数据同化原是大气科学中的一个概念。 四维同化:自从气象卫星升空以后,不定期的非常规的观测资料大量增加。这些卫星资料的利用,对弥补洋面和沙漠地区观测资料的不足以及适时更新预报值很有帮助。于是在初始资料处理上出现了四维同化方法。所谓四维同化就是把不同时刻(t),不同地区( x, y),不同高度(z),不同性质(常规或非常规)的、具有不同观测误差的资料源源不断地输入计算机,通过一定的程序对它们进行分析处理,把它们协调起来,融合成常规的、定时的资料。为数值预报提供初值或及时更新预报值。返回搜狐,查看更多
责任编辑:
遥感分类误差矩阵_遥感卫星影像之分类精度评价相关推荐
- python 二分类的实例_深入理解GBDT二分类算法
我的个人微信公众号:Microstrong 微信公众号ID:MicrostrongAI 微信公众号介绍:Microstrong(小强)同学主要研究机器学习.深度学习.计算机视觉.智能对话系统相关内容, ...
- 分类预测回归预测_我们应该如何汇总分类预测?
分类预测回归预测 If you are reading this, then you probably tried to predict who will survive the Titanic sh ...
- 降维后输入分类器分类时报错_逻辑回归解决多分类方法及其优缺点分析
众所周知,逻辑回归常用于解决二分类任务,但是在工作/学习/项目中,我们也经常要解决多分类问题.本文总结了 3 种逻辑回归解决多分类的方法,并分析了他们的优缺点. 一.One-Vs-Rest 假设我们要 ...
- python 多分类逻辑回归_机器学习实践:多分类逻辑回归(softmax回归)的sklearn实现和tensorflow实现...
本文所有代码及数据可下载. Scikit Learn 篇:Light 版 scikit learn内置了逻辑回归,对于小规模的应用较为简单,一般使用如下代码即可 from sklearn.linear ...
- 中餐菜单分类名称创意_餐厅菜单的种类分类
(一)根据餐饮形式和内容分类 根据餐饮形式和内容对菜单进行分类,观光饭店所使用的菜单通常有以下几种:早餐菜单:午餐菜单:晚餐菜单:宴会菜单:团体菜单:冷餐酒会菜单:自助餐菜单:特殊菜单(如儿童菜单.家 ...
- 基于遥感卫星影像水体提取方法综述
水体提取分类依据及基础 水体提取分类依据 水体提取的方法很多,很多学者也进行了分类,大体上有一个分类框架,主要是基于光学影像的分类,比如王航等[7]将水体提取分成3类,分别是基于阈值法.分类器法和自动 ...
- 遥感影像计算机解译各种方法,遥感信息提取方法分类 - 高分一号、高分二号卫星查询遥感数据购买 - 新闻资讯 - 遥感卫星影像数据查询中心-北京揽宇方圆-购买高分卫星影像...
1.遥感信息提取方法分类 常用的遥感信息提取的方法有两大类:一是目视解译,二是计算机信息提取. 1.1目视解译 目视解译是指利用图像的影像特征(色调或色彩,即波谱特征)和空间特征(形状.大小.阴影.纹 ...
- python遥感影像地物分类_基于轻量化语义分割网络的遥感图像地物分类方法与流程...
本发明属于图像处理 技术领域: ,特别涉及一种地物分类方法,可用于土地利用分析.环境保护以及城市规划. 背景技术: :遥感图像地物分类,旨在取代繁琐的人工作业,利用地物分类方法,得到输入遥感图像的地物 ...
- QGIS基于多期哨兵2影像遥感指数阈值法提取冬小麦分布(4)-分类精度评价
本文继续介绍使用QGIS基于多期哨兵2影像遥感指数阈值法提取冬小麦分布,本文为教程的第四部分:分类结果精度评价.所使用的示范数据下载地址为: 链接: https://pan.baidu.com/s/1 ...
最新文章
- 200页!分享珍藏很久的Python学习知识手册(附链接)
- 自动化测试框架设计模式
- 使用SWig出现调用异常的情况
- oracle 10 数据库覆盖
- mysqldump参数详细说明(转)
- 同样是机器学习算法工程师,你的面试为什么过不了?
- Anaconda, conda, pyenv, virtualenv的区别
- SaaS基础架构—云计算
- 华三的stp根桥、端口角色选举规则
- MongoDB整理笔记のGUI操作
- lms噪声测试软件介绍,LMS 振动噪声测试与分析系统.pdf
- Xv6 编写用户程序
- 联想微型计算机怎么光盘启动,联想笔记本电脑win10怎么设置光盘启动
- 微信如何封服务器ip,微信如何多开登陆?如何切换IP养号防封技巧秘籍
- 用A-priori算法实现frequent item set查找
- css33d图片轮播_手把手教你用纯css3实现轮播图效果实例
- 工作习惯决定事业成败
- 国产服务器(aarch64) Kettle 修改
- 老罗的android rss,为新品打气?罗永浩再作惊人语:锤子系统比安卓苹果好30%以上...
- 【0基础学java】教学日志:项目实战-坦克大战-3