Genauigkeit für Pixelklassifizierung berechnen (Image Analyst Tools)

Zusammenfassung

Berechnet eine Konfusionsmatrix basierend auf Unterlassungs- und Überlassungsfehlern und den IoU-Wert (Intersection Over Union). Die Berechnung der Genauigkeit erfolgt zwischen der Ausgabe des Werkzeugs Pixel mit Deep Learning klassifizieren und den Überprüfungsdaten.

Das Werkzeug ist nur für Modelle zur Pixelklassifizierung gültig, nicht für andere Modelle, die mit dem Werkzeug Pixel mit Deep Learning klassifizieren verwendet werden.

Verwendung

Dieses Werkzeug berechnet die Nutzer- und Produzentengenauigkeit für jede Klasse sowie einen allgemeinen Kappa-Übereinstimmungsindex. Diese Genauigkeitsraten reichen von 0 bis 1, wobei 1 eine Genauigkeit von 100 Prozent darstellt. Nachfolgend finden Sie ein Beispiel für eine Konfusionsmatrix:

Beispiel für Konfusionsmatrix
	c_1	c_2	c_3	Gesamt	U_Accuracy	Kappa
c_1	49	4	4	57	0,8594	0
c_2	2	40	2	44	0,9091	0
c_3	3	3	59	65	0,9077	0
Gesamt	54	47	65	166	0	0
P_Accuracy	0,9074	0,8511	0,9077	0	0,8916	0
Kappa	0	0	0	0	0	0,8357

Die Nutzergenauigkeit ist ein Messwert für die Pixel, die aus allen Pixeln, die als eine bestimmte Klasse klassifiziert sind, korrekt klassifiziert sind. Die restlichen Pixel dieser Klasse gehören einer anderen Klasse an oder werden gemäß den Bezugsinformationen als andere Klasse identifiziert; sie sind falsch positive Pixel.

Die Nutzergenauigkeit wird auch als Überlassungsfehler oder Fehler vom Typ 1 bezeichnet. Die Daten zum Berechnen dieser Fehlerrate werden aus den Zeilen der Tabelle gelesen.

Die Zeile "Gesamt" zeigt die Anzahl der Punkte an, die den Referenzdaten entsprechend als angegebene Klasse hätten identifiziert werden müssen.
Die Produzentengenauigkeit ist ein falsch-negatives Ergebnis, bei dem Pixel einer bekannten Klasse als etwas anderes klassifiziert werden als diese Klasse. Ein Beispiel hierfür ist, wenn das klassifizierte Bild ein Pixel als Wald identifiziert, es jedoch undurchlässig ist. In diesem Fall fehlen der undurchlässigen Klasse gemäß den Referenzdaten Pixel.

Die Produzentengenauigkeit wird auch als Unterlassungsfehler oder Fehler vom Typ 2 bezeichnet. Die Daten zum Berechnen dieser Fehlerrate werden aus den Spalten der Tabelle gelesen.

Die Spalte "Gesamt" zeigt die Anzahl der Punkte an, die entsprechend der klassifizierten Karte als angegebene Klasse identifiziert wurden.
Der Kappa-Übereinstimmungindex liefert eine Gesamtbewertung der Genauigkeit der Klassifizierung.
Intersection Over Union (IoU) ist die Überlappungsfläche zwischen der vorausgesagten Segmentierung und dem Feldvergleich geteilt durch die Vereinigungsfläche zwischen der vorausgesagten Segmentierung und dem Feldvergleich. Für jede Klasse wird der IoU-Mittelwert berechnet.

Beschriftung	Erläuterung	Datentyp
Eingabe-Raster	Das klassifizierte Eingabe-Raster.	Mosaic Layer; Raster Layer; Image Service; String; Raster Dataset; Mosaic Dataset
Überprüfungsdaten	Das Eingabe-Klassifizierungsbild oder andere thematische GIS-Referenzdaten. Die Eingabe kann ein Raster oder eine Feature-Class sein. Typische Daten sind ein Klassifizierungsbild eines Einzelbands vom Datentyp "Integer". Wenn Sie Polygone als Eingabe verwenden, verwenden Sie nur diejenigen, die als Trainingsgebiete herangezogen werden. Hierbei kann es sich auch um GIS-Landnutzungsdaten im Shapefile- oder Feature-Class-Format handeln.	Mosaic Layer; Raster Layer; Feature Layer
Ausgabe-Konfusionsmatrix	Der Name der Ausgabedatei der Konfusionsmatrix im Tabellenformat. Das Format der Tabelle wird durch das Ausgabeverzeichnis und den Ausgabepfad bestimmt. Die Ausgabe ist standardmäßig eine Geodatabase-Tabelle. Wenn der Pfad nicht in einer Geodatabase enthalten ist, geben Sie die `.dbf`-Erweiterung an, um ihn im dBASE-Format zu speichern.	Table
Anzahl der zufälligen Punkte (Optional)	Die Gesamtzahl der zufälligen Punkte, die generiert werden. Die tatsächliche Anzahl kann je nach Referenzdatenstrategie und Anzahl der Klassen höher, jedoch niemals niedriger sein als diese Zahl. Die Standardanzahl der zu erstellenden zufälligen Punkte ist 500.	Long
Referenzdatenstrategie (Optional)	Gibt das verwendete Referenzpunktschema an. Stratifizierte Zufallsstichprobe—In jeder Klasse werden zufällig verteilte Punkte erstellt, wobei jede Klasse über eine Punktanzahl verfügt, die proportional zu ihrer relativen Fläche ist. Hierbei handelt es sich um die Standardeinstellung. Abgeglichene stratifizierte Zufallsstichprobe—In jeder Klasse werden zufällig verteilte Punkte erstellt, wobei jede Klasse über dieselbe Punktanzahl verfügt. Zufällig—Im gesamten Bild werden zufällig verteilte Punkte erstellt.	String
Minimale Punktentfernung (Optional)	Die minimale Entfernung zwischen den Bezugspunkten. Dieser Parameter ist aktiv, wenn der Parameterwert Eingabe-Raster oder -Feature-Class-Daten eine Feature-Class ist. Die Standardeinstellung ist 0.	Double

ComputeAccuracyForPixelClassification(in_raster, in_ground_truth_data, out_confusion_matrix, {num_random_points}, {sampling}, {min_point_distance})

Name	Erläuterung	Datentyp
in_raster	Das klassifizierte Eingabe-Raster.	Mosaic Layer; Raster Layer; Image Service; String; Raster Dataset; Mosaic Dataset
in_ground_truth_data	Das Eingabe-Klassifizierungsbild oder andere thematische GIS-Referenzdaten. Die Eingabe kann ein Raster oder eine Feature-Class sein. Typische Daten sind ein Klassifizierungsbild eines Einzelbands vom Datentyp "Integer". Wenn Sie Polygone als Eingabe verwenden, verwenden Sie nur diejenigen, die als Trainingsgebiete herangezogen werden. Hierbei kann es sich auch um GIS-Landnutzungsdaten im Shapefile- oder Feature-Class-Format handeln.	Mosaic Layer; Raster Layer; Feature Layer
out_confusion_matrix	Der Name der Ausgabedatei der Konfusionsmatrix im Tabellenformat. Das Format der Tabelle wird durch das Ausgabeverzeichnis und den Ausgabepfad bestimmt. Die Ausgabe ist standardmäßig eine Geodatabase-Tabelle. Wenn der Pfad nicht in einer Geodatabase enthalten ist, geben Sie die `.dbf`-Erweiterung an, um ihn im dBASE-Format zu speichern.	Table
num_random_points (Optional)	Die Gesamtzahl der zufälligen Punkte, die generiert werden. Die tatsächliche Anzahl kann je nach Referenzdatenstrategie und Anzahl der Klassen höher, jedoch niemals niedriger sein als diese Zahl. Die Standardanzahl der zu erstellenden zufälligen Punkte ist 500.	Long
sampling (Optional)	Gibt das verwendete Referenzpunktschema an. `STRATIFIED_RANDOM`—In jeder Klasse werden zufällig verteilte Punkte erstellt, wobei jede Klasse über eine Punktanzahl verfügt, die proportional zu ihrer relativen Fläche ist. Hierbei handelt es sich um die Standardeinstellung. `EQUALIZED_STRATIFIED_RANDOM`—In jeder Klasse werden zufällig verteilte Punkte erstellt, wobei jede Klasse über dieselbe Punktanzahl verfügt. `RANDOM`—Im gesamten Bild werden zufällig verteilte Punkte erstellt.	String
min_point_distance (Optional)	Die minimale Entfernung zwischen den Bezugspunkten. Dieser Parameter ist aktiviert, wenn der Parameterwert `in_class_data` eine Feature-Class ist. Die Standardeinstellung ist 0.	Double

Codebeispiel

ComputeAccuracyForPixelClassification: Beispiel 1 (Python-Fenster)

Dieses Beispiel erstellt eine Konfusionsmatrix anhand von 500 stratifizierten zufälligen Punkten.

import arcpy
arcpy.env.workspace = r"C:\Data\MyProject.gdb"

arcpy.ia.ComputeAccuracyForPixelClassification("BGYRre_ps16_ClassifyPixel",
    "Classified_202412301648436631322", "BGYNIR_ps16_ComputeAccura", 500,
    "STRATIFIED_RANDOM", 0)

ComputeAccuracyForPixelClassification: Beispiel 2 (eigenständiges Skript)

Dieses Beispiel erstellt eine Konfusionsmatrix anhand von 500 zufälligen Punkten.

# Import system modules
import arcpy
from arcpy.ia import *

# Set local variables
in_raster=r"C:\DL\MyProject.gdb\BGYClassifyPixel"
in_ground_truth=r"C:\DL\MyProject.gdb\Classified_2024"
out__matrix=r"C:\DL\MyProject.gdb\BGYN_ComputeAccura"
num_random_points=500
sampling="RANDOM"
min_point_distance=10

# Run
arcpy.ia.ComputeAccuracyForPixelClassification(in_raster, in_ground_truth,
    out__matrix, num_random_points, sampling, min_point_distance)

Umgebungen

Ausdehnung, Ausgabe-Koordinatensystem

Lizenzierungsinformationen