原⽂地址： 作者：
误差矩阵（混淆矩阵）评价法
误差矩阵（error matrix）⼜称混淆矩阵（confusion matrix），是⼀个⽤于表⽰分为某⼀类别的像元个数与地⾯检验为该类别数的⽐较阵列。通常，阵列中的列代表参考数据，⾏代表由遥感数据分类得到的类别数据。
参考数据
RS分类数据
A B C D ni+
A N11N12…N1k N1+
B N21N22 (2)
C…………
D Nk1Nk2…Nkk Nk+ n+j N+1N+2…N+k N
教师节感恩卡设n为遥感分类精度评价中总的样本数，k为总的分类类别数⽬，
nij为RS中被分为i类⽽在参考类别中属于j类的样本数⽬。
则，在RS中被分为i类的样本数⽬为：=∑nij （j=1~k）
参考类别为j的样本数⽬为：n+j=∑nij （i=1~k）
总体精度（overall accuracy）为：OA =（∑nii）/n （i=1~k）
⽣产者精度（producer’s accuracy）为：PAj = njj / n+j
⽤户精度（user’s accuracy）为：UAi = nii / ni+
Kappa分析，统计意义上反映分类结果在多⼤程度上优于随机分类结果，可以⽤于⽐较两个分类器的误差矩阵是否具有显著差别。
Kappa分析产⽣的评价指标被称为K统计值：
三Erdas中的分类精度评价
1.打开分类结果（img）
2. Classifier >
3. Accuracy Assessment窗⼝中，open >选择分类结果（img）
4. View > select viewr选择打开的影像（img）的窗⼝
5. Edit > create /add random point设置Number of points (⽣成多少个随机点)，select classes，可以选择只在某些类中⽣成随机点
6. Edit >Show Class Values
地名学7. View > Show All
8.在Reference列中输⼊该点的参考类别号
9. Report > Accuracy Report
该报告中有⽣产者精度，⽤户精度，总体精度，Kappa等数值。
太阳是大家的教学设计
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⽤户精度。
1、混淆矩阵（ConfusionMatrix）: 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。
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
城市信报阵，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。
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，如本次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
kappa系数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
亚洲幼是指正确分到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。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议