遥感影像分类精度评价指标释义
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，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）: 主要用于比较分类结果和地表真实信息的差异，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。
遥感影像分类精度评价指标释义相关推荐
- 八邻域轮廓跟踪算法_结合mRMR选择和IFCM聚类的遥感影像分类算法
随着遥感成像技术的发展,高分遥感影像空间分辨率逐年提高,已经成为获取地物信息的主要数据来源之一.高分影像分类作为遥感影像处理的重要任务之一,在地理国情普查与监测.数字城市建设.城市规划等领域具有广阔的 ...
- 手把手教程：零基础使用MATLAB完成基于深度学习U-Net模型的遥感影像分类
背景: 很多初入深度学习的学生都会遇到各种环境配置问题,环境搭建不好模型就跑不了,所以这是限制新手的一大难点,MATLAB具有成熟的运行环境,无需配置,这点对于想跑通一个深度学习模型的新手是非常有利的 ...
- 我对遥感影像分类的理解（1）
研究遥感影像首先要拿到影像数据,常见的有全色.rgb.多光谱.高光谱和超光谱.全色图像由于没有滤波过程,因此观察相同的空间维度,其空间分辨率要比rgb图像高得多.rgb图像本质上是红(0.630~0. ...
- python遥感影像分类代码_【博客翻译】使用 Python Tensorflow 实现简单的神经网络卫星遥感影像分类...
Landsat 5 多光谱数据分类指导手册原作者:Pratyush Tripathy 翻译:荆雪涵 姐妹篇雪涵:[博客翻译]CNN 与中分辨率遥感影像分类zhuanlan.zhihu.com 深度学 ...
- 高光谱遥感影像分类研究进展 --- （15年论文，方法主要是常规处理，但是写的比较细）
论文地址 高光谱遥感影像分类研究进展 南大.矿大.河海 15年的文章比较老,科普文,但是理论总结和语言用词都比较扎实 在总结分类策略的基础上,重点从以核方法(SVM)为代表的新型分类器设计.特征挖掘. ...
- 遥感影像分类算法C++实现(一)
遥感影像分类算法C++实现(一) 简述:本文记录一些利用C++处理遥感影像的学习过程与方法,希望各位批评指正 文章目录 遥感影像分类算法C++实现(一) 前言 一.VS安装 二.GDAL库 1.下载G ...
- 非监督分类ecognition_什么是遥感影像分类？
什么是遥感影像分类? 图像分类是将土地覆盖物类别分配给像素的过程.例如,类包括水,城市,森林,农业和草地. 遥感中的三种主要图像分类技术是: 无监督图像分类 监督图像分类 面向对象的图像分类 无监督和 ...
- 深度学习、遥感领域常用精度评价指标盘点
最近几年,以深度学习技术为代表的新型前沿技术在图像处理领域,取得了巨大的成功,从图像处理到场景理解,从图像分类到图像实时分割,深度学习无处不在.在遥感领域,深度学习技术更是火热. 本篇博文就对常用的深 ...
- python遥感影像分类代码_python,sklearn,svm,遥感数据分类,代码实例
python,sklearn,svm,遥感数据分类,代码实例,数据,函数,精度,遥感,路径 python,sklearn,svm,遥感数据分类,代码实例 易采站长站,站长之家为您整理了python,s ...
最新文章
- linux中的NFS服务器配置及/etc/exports
- anki怎么设置学习计划_新媒体企业品牌营销策划公众号运营规划线上推广内容管理sop工作流程计划方案表格模板新手小白零基础怎么学习写作软文涨粉技巧攻略下载...
- Salesforce 数据备份和恢复小知识
- 强化学习4——无模型控制model-free control （On-Policy learning：Sarsa和Off-policy learning：Q-learning）
- mysql dbutil_DBUtil
- 自己的部分小软件合计 2000 - 2013
- 中国的量子软件无法再次失去三十年
- Win10更新后BUG——任务栏点不动、卡死、加载不出来解决办法
- matlab车牌识别课程设计,matlab车牌识别课程设计报告模板(附源代码)
- Shopee平台，对接运营经理是一条离成功更近的捷径
- Tita 绩效宝：掌握绩效考核对话
- android 手势高度,克制的 Android 手势插件：滑动 Home 键
- 单页面应用与多页面的区别与优缺点
- 新冠疫情历史数据可视化分析
- deepin-wine的安装
- scrapy爬虫之凤凰网热点新闻
- 花半年的时间储备自己
- Vue入门(个人理解)
- 2017.7.4 ACM校内赛 Round 2
- 财经365视界：韩国新首富“脚踩三星”