遙感影像分類精度評價(jià)

1、遙感影像分類精度評價(jià)在ENVI中，選擇主菜單->Classification->PostClassification->ConfusionMatrix->UsingGroundTruthROIs。將分類結(jié)果和ROI輸入，軟件會根據(jù)區(qū)域自動匹配，如不正確可以手動更改。點(diǎn)擊ok后選擇報(bào)表的表示方法（像素和百分比），就可以得到精度報(bào)表。對分類結(jié)果進(jìn)行評價(jià)，確定分類的精度和可靠性。有兩種方式用于精度驗(yàn)證：一是混淆矩陣，二是ROC曲線，比較常用的為混淆矩陣，ROC曲線可以用圖形的方式表達(dá)分類精度，比較形象。對一幀遙感影像進(jìn)行專題分類后需要進(jìn)行分類精度的評價(jià)，而進(jìn)行評價(jià)精度的因子有

2、混淆矩陣、總體分類精度、Kappa系數(shù)、錯(cuò)分誤差、漏分誤差、每一類的制圖精度和擁護(hù)精度。1、混淆矩陣（ConfusionMatrix）:主要用于比較分類結(jié)果和地表真實(shí)信息，可以把分類結(jié)果的精度顯示在一個(gè)混淆矩陣?yán)锩??；煜仃囀峭ㄟ^將每個(gè)地表真實(shí)像元的位置和分類與分類圖象中的相應(yīng)位置和分類像比較計(jì)算的?；煜仃嚨拿恳涣写砹艘粋€(gè)地表真實(shí)分類，每一列中的數(shù)值等于地表真實(shí)像元在分類圖象中對應(yīng)于相應(yīng)類別的數(shù)量，有像元數(shù)和百分比表布兩種。2、總體分類精度（OverallAccuracy）:等于被正確分類的像元總和除以總像元數(shù)，地表真實(shí)圖像或地表真實(shí)感興趣區(qū)限定了像元的真實(shí)分類。被正確分類的像元沿著混淆矩

3、陣的對角線分布，它顯示出被分類到正確地表真實(shí)分類中的像元數(shù)。像元總數(shù)等于所有地表真實(shí)分類中的像元總和。3、Kappa系數(shù)：是另外一種計(jì)算分類精度的方法。它是通過把所有地表真實(shí)分類中的像元總數(shù)（N）乘以混淆矩陣對角線（Xkk）的和，再減去某一類中地表真實(shí)像元總數(shù)與該類中被分類像元總數(shù)之積對所有類別求和的結(jié)果，再除以總像元數(shù)的平方差減去某一類中地表真實(shí)像元總數(shù)與該類中被分類像元總數(shù)之積對所有類別求和的結(jié)果所得到的。4、錯(cuò)分誤差：指被分為用戶感興趣的類，而實(shí)際上屬于另一類的像元，錯(cuò)分誤差顯示在混淆矩陣的行里面。5、漏分誤差：指本屬于地表真實(shí)分類，但沒有被分類器分到相應(yīng)類別中的像元數(shù)。漏分誤差顯示在混

4、淆矩陣的列里。6、制圖精度：指假定地表真實(shí)為A類，分類器能將一幅圖像的像元?dú)w為A的概率7、用戶精度：指假定分類器將像元?dú)w到A類時(shí)，相應(yīng)的地表真實(shí)類別是A的概率?；煜仃囍械膸醉?xiàng)評價(jià)指標(biāo)，如下：總體分類精度等于被正確分類的像元總和除以總像元數(shù)。被正確分類的像元數(shù)目沿著混淆矩陣的對角線分布，總像元數(shù)等于所有真實(shí)參考源的像元總數(shù)，如本次精度分類精度表中的OverallAccuracy=（1849/2346）78.8150%。Kappa系數(shù)它是通過把所有真實(shí)參考的像元總數(shù)（N）乘以混淆矩陣對角線（XKK）的和，再減去某一類中真實(shí)參考像元數(shù)與該類中被分類像元總數(shù)之積之后，再除以像元總數(shù)的平方減去某一類中

5、真實(shí)參考像元總數(shù)與該類中被分類像元總數(shù)之積對所有類別求和的結(jié)果。錯(cuò)分誤差指被分為用戶感興趣的類，而實(shí)際屬于另一類的像元，它顯示在混淆矩陣?yán)锩?。本例中，林地?19個(gè)真實(shí)參考像元，其中正確分類265,12個(gè)是其他類別錯(cuò)分為林地（混淆矩陣中林地一行其他類的總和），那么其錯(cuò)分誤差為12/419=2.9%。漏分誤差指本身屬于地表真實(shí)分類，當(dāng)沒有被分類器分到相應(yīng)類別中的像元數(shù)。如在本例中的耕地類，有真實(shí)參考像元465個(gè)，其中462個(gè)正確分類，其余3個(gè)被錯(cuò)分為其余類（混淆矩陣中耕地類中一列里其他類的總和），漏分誤差為3465=0.6%制圖精度是指分類器將整個(gè)影像的像元正確分為A類的像元數(shù)（對角線值）與A類

6、真實(shí)參考總數(shù)（混淆矩陣中A類列的總和）的比率。如本例中林地有419個(gè)真實(shí)參考像元，其中265個(gè)正確分類，因此林地的制圖精度是265419=63.25%。用戶精度是指正確分到A類的像元總數(shù)（對角線值）與分類器將整個(gè)影像的像元分為A類的像元總數(shù)（混淆矩陣中A類行的總和）比率。如本例中林地有265個(gè)正確分類，總共劃分為林地的有277,所以林地的用戶精度是265/277=95.67%。首先你做分類的時(shí)候要選好分類的地區(qū)影像，一般要求要有地面數(shù)據(jù)支持，也就是說要知道你待分類的影像的地物類別，這樣在你的分類完成后才可能評價(jià)你的分類精度，分類精度的評價(jià)一般是用混淆矩陣來評價(jià)，從混淆矩陣中算出總精度和Kapp

7、a系數(shù)就可作為分類精度了。分類的精度，一般兩種方法，實(shí)地調(diào)查；高分辨率的影像檢驗(yàn)低分辨率影像的分類。大部分文獻(xiàn)的精度驗(yàn)證方法無非還是那些傳統(tǒng)的方法：混淆矩陣的總體精度，kappa分析，野外驗(yàn)證，專家組評估驗(yàn)證。還有沒有別的更好一些的模型，就比如說是野外驗(yàn)證，野外如何布點(diǎn)？采用什么樣的模型布點(diǎn)？值得一提的是前段時(shí)間終于查到一些數(shù)據(jù)同化（又叫四維同化）的資料。數(shù)據(jù)同化原是大氣科學(xué)中的一個(gè)概念。四維同化：自從氣象衛(wèi)星升空以后，不定期的非常規(guī)的觀測資料大量增加。這些衛(wèi)星資料的利用，對彌補(bǔ)洋面和沙漠地區(qū)觀測資料的不足以及適時(shí)更新預(yù)報(bào)值很有幫助。于是在初始資料處理上出現(xiàn)了四維同化方法。所謂四維同化就是把不同時(shí)刻（t）