遥感影像分类精度评价
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。
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。
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：
●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%。
●Kappa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。
●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%。
●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%
●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%。
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
一种高分遥感影像物体分割质量评价方法
一种高分遥感影像物体分割质量评价方法高分辨率遥感影像物体分割是遥感图像处理和图像识别的重要研究领域之一。
为了评价物体分割算法的质量，需要选择合适的评价方法。
本文将介绍一种常用的高分遥感影像物体分割质量评价方法。
一、精确度评价指标1.准确率（accuracy）: 准确率是最常用的评价指标之一，表示分类结果中正确分类的像素数量与总像素数量之比。
其计算公式为：accuracy = (TP + TN) / (TP + FP + TN + FN)，其中TP为真阳性，TN为真阴性，FP为假阳性，FN为假阴性。
2.召回率（recall）: 召回率也称为灵敏度、命中率，表示分类结果中正确分类的像素数量与实际物体像素数量之比。
其计算公式为：recall = TP / (TP + FN)。
3.精确率（precision）: 精确率是指分类结果中正确分类的像素数量与算法预测结果中像素数量之比。
其计算公式为：precision = TP / (TP + FP)。
4.F值（F-measure）: F值是综合考虑精确率和召回率的评价指标，采用调和平均数的形式来衡量分割结果的质量。
其计算公式为：F-measure = (2 * precision * recall) / (precision + recall)。
二、区域性评价指标1.覆盖率（coverage）: 覆盖率表示分类结果中正确分类的像素数量与实际物体像素数量之比。
其计算公式为：coverage = TP/ (TP + FN)。
2.重叠度（overlap）: 重叠度表示分类结果中正确分类的像素数量与总像素数量之比。
其计算公式为：overlap = TP / (TP + FP + FN)。
三、形状性评价指标1.相对面积误差（RAE, Relative Area Error）: 相对面积误差是指分类结果与实际物体面积之间的相对误差。
其计算公式为：RAE = |A_r - A_t| / A_t，其中A_r为分类结果的面积，A_t为实际物体的面积。
遥感图像的精度评估方法与操作技巧
遥感图像的精度评估方法与操作技巧导言随着遥感技术的不断发展和应用，遥感图像的精度评估成为了一个重要的研究领域。
通过对遥感图像的精度评估，我们可以了解图像在空间和时间上的准确性和可靠性，为各种遥感应用提供科学依据。
本文将介绍遥感图像的精度评估方法与操作技巧。
一、遥感图像的精度评估方法1. 基于地面控制点的精度评估该方法通过选择具有准确地理位置信息的地面控制点，并将其在遥感图像中对应的像素位置进行匹配，计算其坐标误差或特征点匹配精度。
常用的方法包括最小二乘法、地理位置码（GCP）法和光谱信息法等。
2. 基于参考数据的精度评估该方法通过将遥感图像与具有高精度的参考数据进行对比，计算图像的分类精度或准确性指标。
常用的方法包括混淆矩阵法、准确性指数法和Kappa系数法等。
3. 基于影像质量评价的精度评估该方法通过对遥感图像的影像质量进行评价，并将评价结果作为图像精度的间接指标。
常用的方法包括噪声分析、模糊度评估和直观评价等。
二、遥感图像的精度评估操作技巧1. 数据预处理在进行遥感图像的精度评估之前，需要进行一些必要的数据预处理。
包括图像去噪、几何校正和辐射校正等。
这些预处理操作能够提高图像的质量和准确性，为后续的精度评估奠定基础。
2. 控制点的选择与采集控制点的选择对遥感图像的精度评估至关重要。
在选择控制点时，应保证其具有准确的地理位置信息，并且分布均匀。
采集控制点时可以借助GPS定位设备和高分辨率影像来提高采集效率和精度。
3. 参考数据的获取对于基于参考数据的精度评估方法，需要获取具有高精度的参考数据。
可以通过现场调查、GPS测量和地面真实标记物等方式获得。
在选择参考数据时，应与遥感图像的内容和分辨率相匹配，确保评估结果的准确性。
4. 精度评估指标计算在进行遥感图像精度评估时，需要计算相应的指标。
根据评估的目的和要求，可以选择适合的指标，如分类精度、位置精度、辐射精度等。
对于不同的指标，需要使用相应的计算公式或软件工具进行计算。
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。
遥感影像分类精度评价
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。
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。
遥感图像分类方法与准确性评价指标
遥感图像分类方法与准确性评价指标遥感图像分类是利用遥感数据进行地物分类的过程，其目的是将遥感图像中的不同地物进行识别与分类。
在遥感图像分类中，有效的分类方法和准确性评价指标对于获得准确的分类结果至关重要。
一、常用的遥感图像分类方法1. 监督分类方法监督分类方法是指在进行分类之前，通过在选定的地物样本中确定其类别，并利用这些样本进行分类算法的训练。
常用的监督分类方法包括最大似然分类、支持向量机、决策树等。
最大似然分类是一种基于统计理论的方法，其基本假设是不同类别地物的像元值符合某种概率分布。
支持向量机是一种基于几何学原理的分类方法，其核心思想是将不同类别地物的像元用超平面分割成两个部分，以实现分类。
决策树是一种基于判定树的分类方法，通过根据不同属性进行逐级判定，最终将地物分类。
2. 无监督分类方法无监督分类方法是指在进行分类之前不需要先进行样本标签的确定，而是根据图像中像元之间的相似性和差异性进行聚类。
常用的无监督分类方法包括K-means 聚类、高斯混合模型等。
K-means聚类是一种基于距离度量的分类方法，其核心思想是将图像中的像元根据相似性进行分组，形成不同的类，实现地物分类。
高斯混合模型是一种基于概率统计的分类方法，通过假设图像像元符合多个高斯分布的线性组合，确定不同类别地物的概率分布。
二、遥感图像分类准确性评价指标1. 精度（Accuracy）精度是指分类结果中被正确分类的像元数占总像元数的比例。
精度越高，表示分类结果越准确。
在实际应用中，精度常常使用整体精度（Overall Accuracy）和Kappa系数进行评价。
整体精度是指分类正确的像元数占总像元数的比例，其范围为0到1之间，1表示分类完全正确。
Kappa系数是基于整体精度的一种校正指标，它考虑了分类结果与随机分类之间的差异性，范围也在0到1之间，1表示没有误分类。
2. 生产者精度（Producer's Accuracy）生产者精度是指在分类结果中，某一类地物被正确分类的像元数占该类地物实际像元数的比例。
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。
如何进行卫星遥感影像的几何校正与精度评定
如何进行卫星遥感影像的几何校正与精度评定卫星遥感影像的几何校正与精度评定是遥感技术中非常重要的一项工作，它能够提高遥感影像的准确性和可信度。
本文将介绍卫星遥感影像几何校正和精度评定的基本原理和方法。
一、卫星遥感影像的几何校正卫星遥感影像的几何校正是指将原始影像转换为具有精确几何关系的图像的过程。
这是因为卫星遥感影像在获取过程中，由于各项误差的存在，常常呈现出几何畸变的情况。
几何校正的目的是消除这些误差，使得影像能够准确地反映地面实际情况。
几何校正的方法一般可以分为两种：地面控制点法和模型法。
地面控制点法是通过选择并测量地面上的控制点，并与影像中的对应点进行匹配，计算出转换参数，然后进行校正。
模型法是利用数学模型对影像进行几何校正，常用的模型有多项式模型和分层多项式模型。
这些方法都需要借助于地面控制点或其他辅助数据来进行几何校正。
除了几何校正，影像还需要进行辐射校正。
辐射校正是将原始影像转换为可以反映地物辐射特性的高光谱数据。
常见的辐射校正方法有大气校正和地表反射率校正。
大气校正是去除大气吸收和散射对影像造成的影响，地表反射率校正是消除影像中的地物纹理和细节。
二、卫星遥感影像的精度评定卫星遥感影像的精度评定是判断影像准确性和可靠性的一项工作。
它可以通过对比影像与已知真实数据进行对照，计算出各种误差指标来评价影像的精度。
影像的精度评定主要包括几何精度评定和辐射精度评定两个方面。
几何精度评定主要是通过计算影像的地面分辨率、地面形状和位置精度等指标来评估影像几何特征的精度。
辐射精度评定则是通过计算影像的辐射定标系数、重现性等指标来评估影像的辐射特性的精度。
在进行精度评定时，需要借助于地面控制点、高分辨率遥感影像或其他精确数据，进行对比和验证。
通过计算各个指标，并进行统计分析，可以得出影像的精度评定结果。
三、卫星遥感影像几何校正与精度评定的重要性卫星遥感影像的几何校正和精度评定对于遥感应用具有重要的意义。
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。