分类精度的评价
遥感影像解译-分类后处理及精度评价、分类新方法
三、分类新方法
• 随着模式识别与机器学习技术的不断发展，将先进的机器
学习技术应用到遥感影像分类中，并充分考虑影像本身的光
谱信息、空间信息、时间序列信息以及各类地理辅助信息可
以大大提高遥感影像分类的精度。
• 分类新方法
- 半监督分类；
- 面向对象分类；
- 分类器集成
- ……
26
1 半监督分类
• 机器学习 (Machine Learning)模式： - 监督学习：仅仅利用已标注类别的样本进行训练以确定 分类器； - 非监督学习：只利用未标注类别的数据进行聚类分析； - 半监督学习：利用已标注类别的样本+未标注样本来确 定分类器。
3×3窗口分析结果
(4) 分类后处理-平滑处理
• 针对问题 分类结果斑点噪声严重
• 解决方法： a. MRF随机场建模 b. Majority Voting 方法
原始多光谱遥感影像与地面真实值
(1) IKONOS 多光谱影像
原始多光谱遥感影像与地面真实值
(1) IKONOS 多光谱影像
(2) 地表真实值
25446 Aprod 52987 48.02% 1 Eo
(e) 用户精度(User’s Accuracy)
• 用户精度(User’s Accuracy)： - 影像类中，某类像元被正确分类为该类的概率，利用 混淆矩阵的行来计算。如水的用户精度：
Auser
9180 56104
16.36%
a. SVM vs 高斯混合模型+MRF
(3) SVM 水体提取结果
a. SVM vs 高斯混合模型+MRF
(3) SVM 水体提取结果
(4) 高斯混合模型+MRF方法
遥感数据分类精度评价的方法和指标
遥感数据分类精度评价的方法和指标遥感技术在地质、农业、环境等领域的应用越来越广泛，其分类精度评价成为评估遥感数据可靠性的重要手段。
本文将介绍遥感数据分类精度评价的方法和指标，并探讨在应用中的局限性和改进方向。
一、方法1. 精确性评价法精确性评价法通过对比遥感分类结果和真实地面样本数据，计算分类的准确率、误差矩阵、Kappa系数等指标。
准确率指标能反映分类精度的整体水平，误差矩阵则可以分析各类别之间的混淆程度，Kappa系数可以衡量分类结果与随机分类的一致性。
这些指标可以从不同角度评价分类的精确性，但需要借助真实样本数据，存在采样不均匀和标注误差等问题。
2. 信息熵评价法信息熵评价法通过信息熵和互信息等信息论指标，衡量分类结果中包含的信息量和类别关联性。
信息熵越小，代表分类结果中包含的信息越少，分类精确度越高；互信息可以衡量分类结果与真实结果的相关程度。
这些指标基于信息论的原理，可以有效评价分类的精度，但对于数据量较大的情况，计算量较大。
3. 混淆矩阵评价法混淆矩阵评价法主要通过构建混淆矩阵，分析分类结果中不同类别之间的混淆情况。
混淆矩阵由真实类别和分类类别组成，可以直观地展示分类结果的正确性和误判情况。
通过混淆矩阵，可以分析分类结果中各类别之间的相似度和差异性，为分类模型的改进提供参考。
二、指标1. 总体精度总体精度是评价分类结果的整体正确率，通过计算分类正确的像素数量与总像素数量的比例得出。
高总体精度代表分类结果准确度高，但并不能说明各类别的精确性。
2. 用户精度和生产者精度用户精度和生产者精度是评价分类结果各类别准确性的重要指标。
用户精度是指分类结果为某一特定类别的样本中，实际属于该类别的比例。
生产者精度是指实际属于某一特定类别的样本中，被正确分类为该类别的比例。
用户精度主要关注分类结果对应每个类别的准确性，生产者精度主要关注每个类别被正确分类的概率。
3. Kappa系数Kappa系数是衡量分类结果与随机分类结果一致性的指标。
分类精度评价
遥感影像分类精度评价遥感影像分类精度评价(2009-11-20 14:20:57)在ENVI中，选择主菜单->Classification->Post Classification->ConfusionMatrix->Using Ground Truth ROIs。
将分类结果和ROI输入，软件会根据区域自动匹配，如不正确可以手动更改。
点击ok后选择报表的表示方法（像素和百分比），就可以得到精度报表。
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。
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。
遥感影像分类精度评价教学内容
价
遥感影像分类精度评价
在ENVI中，选择主菜单->Classification->Post Classification->Confusion Matrix- >Using Ground Truth ROIs将分类结果和ROI输入，软件会根据区域自动匹配， 如不正确可以手动更改。点击ok后选择报表的表示方法(像素和百分比)，就 可以得到精度报表。
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。混淆矩阵中的几项价指标，如下：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）
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%。
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
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。
遥感图像分类精度之评价指标：混淆矩阵、总体精度、错分误差、漏分误差、Kappa系数
混淆矩阵遥感影像分类就是一个对给定的遥感影像所包含的所有像元的地表属性进行识别归类的过程；目的是在属性识别归类的基础上获取研究区域内各个地物类型的分布状况及面积。
对遥感影像分类结果进行评估就是一个通过比较检验样本与分类结果的符合程度来确定分类准确度的过程。
精度与准确度“精度”，是对同一批样本采用相同方法进行多次的测定，比较各次的测定值之间彼此接近的程度。
如果每个测定值彼此之间越接近，则精度越高，体现的是测定结果的重现性。
例如，测量一段线段的长度，每次都采用相同的方法——用直尺进行测量，经过多次测量之后我们发现，每次测量的结果都是1cm，这就说明我们以直尺进行测量这种方法的精度很高。
准确度则不然，是指测量结果与真实值相符合的程度。
还是以测量线段长度举例，真实的线段长度为1.00001cm，测量结果为1cm，这就说明测量方法的准确度还是很高的。
两者之间的关系：准确度高，意味着精度也很高，但是精度高却不意味着准确度高。
假设第一次的测量结果为1.5cm，第二次为1.52cm，第三次为1.49cm，表面上我们的精度很高，但实际上线段的长度只有1.00001cm，准确度并不高。
评估指标1总体分类精度（Overall Accuracy）指针对每一个随机样本，所分类的结果与检验数据类型相一致的概率，也就是被正确分类的像元总和除以总像元数。
即混淆矩阵中对角线上的像元数总和除以总像元数目。
2生产者精度生产者精度，也称制图精度，指相对于检验数据中的任意一个随机样本，分类图上相同位置的分类结果与其相一致的概率。
即混淆矩阵中，分类器将整幅影像正确分类为A的像元数（对角线上A类的值）与真实情况下A的像元数（真实情况A的像元数总和）之比。
3用户精度指在分类结果中任取一随机样本，其所具有的类型与地表真实情况相符合的条件概率。
即混淆矩阵中，分类器将整幅影像正确分类为A的像元数和（对角线上A类的值）与分类器分出的所有A类像元数（预测值为A的像元数总和）之比。
测绘技术如何进行遥感影像分类精度评定
测绘技术如何进行遥感影像分类精度评定测绘技术在现代科技发展中扮演着至关重要的角色。
遥感影像分类精度评定是测绘技术中的一个重要环节。
本文将从测绘技术的发展背景、遥感影像分类精度评定的基本概念和方法、实际应用案例等方面进行论述。
一、测绘技术的发展背景随着科技进步和信息化时代的到来，人们对地球及其资源的认知和需求也逐渐提升。
测绘技术应运而生，成为人们获取地理信息的重要手段。
遥感影像作为测绘技术的重要组成部分，以其高效、全面的特点被广泛应用。
二、遥感影像分类精度评定的基本概念和方法（一）基本概念遥感影像分类精度评定是指通过一系列定量和定性的方法，对遥感影像分类的准确程度进行评估和衡量。
分类精度评定结果直接反映了遥感影像分类方法和技术的可行性和准确性。
（二）方法和指标1.对比法：将遥感影像分类结果与实地调查结果进行对比，通过判断分类结果中的错误分类和遗漏分类的程度，评估分类精度。
2.混淆矩阵法：通过构建混淆矩阵，统计分类结果中各类别的正确分类和错误分类的数量，从而计算出分类精度指标，如准确性、偏差、精度等。
3.Kappa系数法：Kappa系数是一种常用的分类精度评价指标，用于衡量分类结果与实地调查结果之间的一致性程度。
Kappa系数取值范围为[-1, 1]，值越接近1表示分类结果与实地调查结果一致性越高。
三、实际应用案例（一）土地利用分类精度评定遥感影像在土地利用监测中具有广泛的应用。
通过对遥感影像进行分类精度评定可以更好地了解土地利用情况，为土地资源管理和规划提供数据支持。
例如，通过对遥感影像分类结果与实地调查结果进行对比，可以评估城市绿地覆盖率的准确性，并据此制定相应的城市绿化计划。
（二）植被分类精度评定植被分类是遥感影像分类的重要应用之一。
通过对植被分类精度进行评定，可以了解植被分布情况以及植被类型的变化趋势，为植被保护和生态恢复提供科学依据。
例如，在森林资源调查中，通过对遥感影像分类结果的准确性进行评估，可以计算出森林面积、林种组成等重要指标，为森林资源的管理提供数据支持。
[整理版]遥感影像分类精度评价
![[整理版]遥感影像分类精度评价](https://img.taocdn.com/s3/m/f45d71ed760bf78a6529647d27284b73f24236de.png)
遥感影像分类精度评价在ENVI中，选择主菜单->Classification->Post Classification->Confusion Matrix->Using Ground Truth ROIs。
将分类结果和ROI输入，软件会根据区域自动匹配，如不正确可以手动更改。
点击ok后选择报表的表示方法（像素和百分比），就可以得到精度报表。
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。
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。
郭平--土地分类精度评价0727
为A类的像元总数的比
分类质量分级表[7]
分类结果叠加验证精度
先对数据进行拉伸
居民点、林地、耕地分类结果叠加对比验证
监督分类精度验证混淆
矩阵表。进行了两次选 择训练样本，用第二次
选择的训练样本作为验
证ROI来验证第一次的 分类结果。验证的综合
精度为93.23%，Kappa
系数为0.92
用第一次选择的训 练样本作为验证ROI 来验证第二次的分 类结果。验证的综 合精度为92.32%， Kappa系数为0.90.
土地利用分类与精度验证
汇报人：郭 平 2015年7月27日
1. 遥感影像分类
遥感图像通过亮度值或像元值的高低差异及空间变
化来表示不同地物的差异，这是区分不同图像地物的物
理基础。遥感图像分类通过计算机手段，利用某种算法 进行分类，获取遥感图像中与实际地物的对应信息，从
而实现遥感图像的分类，一般分类方法有监督分类与非
分析和图形识别等。
非监督分类步骤
ENVI中非监督分类方法有K-means均值算法、迭代自 组织的数据分析法（ISODATA）。 非监督分类大体上判断主要地物的类别数量。一般 监督分类设置分类数目比最终分类数量要多2-3倍为宜， 这样有助于提高分类精度。
选用ISODATA方法的非监督分类结果
合并为5类后，进行分类后处理的影像
[6]DENG Sheng-lu,QI Hao-wen. A Survey of image classification methods and techniques for
improving classification performance [J].International Journal of Remote Sensing,2007,28(5):823-870. [7]刘旭拢,何春阳,潘耀忠,杨明川,张锦水. 遥感图像分类精度的点、群样本检验与评估[J].
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
本章提要(…) §1 精度的概念和意义 §2 分类误差的来源 §3 误差特征 §4 精度评价方法 §5 误差矩阵的应用
本章主要介绍遥感影 像分类中产生的精度 问题及其评价方法， 并说明了误差矩阵在 遥感处理中的应用。
§1 精度的概念和意义
概念
精度是指“正确性”，即一幅不知道其质量的图像 和一幅假设准确的图像（参考图）之间的吻合度。
用户精度说明分类图的可信度
制图精度用来告知执行分类的分析人员
生 产 者 精 度 、 漏 分 误 差 用户精度、误分误差
§5 误差矩阵的应用
1 误差矩阵表示的误差
2 正确率的概念
3
正确率表示影像上或者样本中正确分类像元占总
像误元差的矩比例阵。的定量评价
4
正精误确 度差率。K矩是ap一阵pa种的法简比单的较精度测量方法，表示分类的
后续分类引入某些误差
地面景观特征也是误差的重要来源
重复观察的柱状图
偏差和准确度
§3 误差类型和特征
主要有两种类型
位置误差 分类误差
分类误差的特征
误差并非随机分布在影像上，而是显示出空间上的系统性和规则 性。
一般来说，错分像元在空间上并不是单独出现的，而是按照一定 的形状和分布位置成群出现。
正确率只误能差表矩示阵的分比类较的能确相定对最有适合效某性分，类目并标不的能影解像数决 分类误差据的类所型有、数问据题获。取时间、预处理过程，分类方法等
作业
遥感分类结果精度评价方法主要分为哪几种？ 结合第十章至第十三章所学内容，以你自己的
理解说明遥感图像处理应该做到哪几个步骤就 能获取遥感图像上地物类型信息。
比较两幅图上每种类别的面积差异，用面积比例表示
这里的两幅影像每种类别面积相似，但边界位置有很大不 同。这种评价方法会产生很大的位置误差。
2 位置精度评价法
比较两幅图位置之间一致性的方法进行评价
这里的两幅影像每种类别面积相似，但边界位置有很大不 同。这种评价方法会产生很大的位置误差。
3 误差矩阵评价法
误差与他们属于的地块有着明确的空间关系，如他们倾向于出现 在边缘或地块内部。
Hale Waihona Puke §4 精度评价方法精度评价就是进行两幅地图的比较，其中一幅是基 于遥感数据的分类图，也就是需要评价的图，另一幅是 假设精确的参考图，作为比较的标准。
主要评价方法 面积精度评价法 位置精度评价法 误差矩阵评价法
1 面积精度评价法
表示误差的标准形式是误差矩阵，有时称为混淆矩阵，它 不仅能表示每种类别的总误差，还能表示类别的误分（混 淆的类别）。
误差矩阵的示例
误差矩阵的图解表示
4 误差矩阵的编辑
构建误差矩阵需要分析人员进行待评价的影像与参考影像之间 的点对点比较，准确地确定参考影像上的每个点在分类影像中 所对应点的位置。
配准
网格表示的类别图 网格就成为位置精度评价的比较单元
叠置
5 漏分误差和错分误差
误差矩阵能反映各类别的漏分误差和错分误差
漏分误差：EO，指地面上的森林类别在待评 价分类图上，有多少被错误地分到了其它类 别；——生产者精度
错分误差：EC，指将地面的农田或其他类别 在分类图上错误地划分为森林类别；——用户 精度
意义
遥感数据分类的精度直接影响由遥感数据生成的地 图和报告的正确性、将这些数据应用于土地管理的价 值、以及用于科学研究的有效性。
§2 分类误差的来源
主要是由同物异谱和同谱异物、混合像元以及不合
理的预处理等因素引起
混合像元值可能不同于任何一种类别的光谱值，而
被误分到其它类别
遥感图像的预处理中进行的辐射和几何校正可能对