遙感影像分類精度評價

1、遙感影像分類精度評價在ENVI中，選擇主菜單->Classification->PostClassification->ConfusionMatrix->UsingGroundTruthROIs。將分類結果和ROI輸入，軟件會根據區(qū)域自動匹配，如不正確可以手動更改。點擊ok后選擇報表的表示方法（像素和百分比），就可以得到精度報表。對分類結果進行評價，確定分類的精度和可靠性。有兩種方式用于精度驗證：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分類精度，比較形象。對一幀遙感影像進行專題分類后需要進行分類精度的評價，而進行評價精度的因子有

2、混淆矩陣、總體分類精度、Kappa系數、錯分誤差、漏分誤差、每一類的制圖精度和擁護精度。1、混淆矩陣（ConfusionMatrix）:主要用于比較分類結果和地表真實信息，可以把分類結果的精度顯示在一個混淆矩陣里面?；煜仃囀峭ㄟ^將每個地表真實像元的位置和分類與分類圖象中的相應位置和分類像比較計算的。混淆矩陣的每一列代表了一個地表真實分類，每一列中的數值等于地表真實像元在分類圖象中對應于相應類別的數量，有像元數和百分比表布兩種。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，地表真實圖像或地表真實感興趣區(qū)限定了像元的真實分類。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分類中的像元數。像元總數等于所有地表真實分類中的像元總和。3、Kappa系數：是另外一種計算分類精度的方法。它是通過把所有地表真實分類中的像元總數（N）乘以混淆矩陣對角線（Xkk）的和，再減去某一類中地表真實像元總數與該類中被分類像元總數之積對所有類別求和的結果，再除以總像元數的平方差減去某一類中地表真實像元總數與該類中被分類像元總數之積對所有類別求和的結果所得到的。4、錯分誤差：指被分為用戶感興趣的類，而實際上屬于另一類的像元，錯分誤差顯示在混淆矩陣的行里面。5、漏分誤差：指本屬于地表真實分類，但沒有被分類器分到相應類別中的像元數。漏分誤差顯示在混

4、淆矩陣的列里。6、制圖精度：指假定地表真實為A類，分類器能將一幅圖像的像元歸為A的概率7、用戶精度：指假定分類器將像元歸到A類時，相應的地表真實類別是A的概率。混淆矩陣中的幾項評價指標，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。被正確分類的像元數目沿著混淆矩陣的對角線分布，總像元數等于所有真實參考源的像元總數，如本次精度分類精度表中的OverallAccuracy=（1849/2346）78.8150%。Kappa系數它是通過把所有真實參考的像元總數（N）乘以混淆矩陣對角線（XKK）的和，再減去某一類中真實參考像元數與該類中被分類像元總數之積之后，再除以像元總數的平方減去某一類中

5、真實參考像元總數與該類中被分類像元總數之積對所有類別求和的結果。錯分誤差指被分為用戶感興趣的類，而實際屬于另一類的像元，它顯示在混淆矩陣里面。本例中，林地有419個真實參考像元，其中正確分類265,12個是其他類別錯分為林地（混淆矩陣中林地一行其他類的總和），那么其錯分誤差為12/419=2.9%。漏分誤差指本身屬于地表真實分類，當沒有被分類器分到相應類別中的像元數。如在本例中的耕地類，有真實參考像元465個，其中462個正確分類，其余3個被錯分為其余類（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影像的像元正確分為A類的像元數（對角線值）與A類

6、真實參考總數（混淆矩陣中A類列的總和）的比率。如本例中林地有419個真實參考像元，其中265個正確分類，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（對角線值）與分類器將整個影像的像元分為A類的像元總數（混淆矩陣中A類行的總和）比率。如本例中林地有265個正確分類，總共劃分為林地的有277,所以林地的用戶精度是265/277=95.67%。首先你做分類的時候要選好分類的地區(qū)影像，一般要求要有地面數據支持，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你的分類精度，分類精度的評價一般是用混淆矩陣來評價，從混淆矩陣中算出總精度和Kapp

7、a系數就可作為分類精度了。分類的精度，一般兩種方法，實地調查；高分辨率的影像檢驗低分辨率影像的分類。大部分文獻的精度驗證方法無非還是那些傳統的方法：混淆矩陣的總體精度，kappa分析，野外驗證，專家組評估驗證。還有沒有別的更好一些的模型，就比如說是野外驗證，野外如何布點？采用什么樣的模型布點？值得一提的是前段時間終于查到一些數據同化（又叫四維同化）的資料。數據同化原是大氣科學中的一個概念。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，對彌補洋面和沙漠地區(qū)觀測資料的不足以及適時更新預報值很有幫助。于是在初始資料處理上出現了四維同化方法。所謂四維同化就是把不同時刻（t）