Calculer la précision pour la classification des pixels (Outils Image Analyst)

Résumé

Calcule une matrice de confusion en fonction des erreurs d’omission et de commission, et le score d’intersection sur union (IoU). La précision est calculée entre la sortie de l’outil Classify Pixels Using Deep Learning (Classer des pixels à l’aide du Deep Learning) et les données de réalité de terrain.

L’outil est valide uniquement pour les modèles de classification de pixels et non pour les autres modèles utilisés avec l’outil Classify Pixels Using Deep Learning (Classer des pixels à l’aide du Deep Learning).

Utilisation

• L’outil calcule la précision des utilisateurs et des producteurs de chaque classe, ainsi qu’un indice Kappa d’accord global. Ces taux de précision sont compris entre 0 et 1, la valeur 1 représentant une précision de 100 pour cent. Voici un exemple de matrice de confusion :

  Exemple de matrice de confusion

  	c_1	c_2	c_3	Total	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
  Total	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

• La précision des utilisateurs est une mesure des pixels correctement classés parmi tous les pixels classés d’une classe donnée. Les autres pixels classés de cette classe appartiennent à une classe différente, ou sont identifiés comme une classe différente, d’après les informations de référence ; ce sont des faux positifs.

  La précision des utilisateurs est également désignée sous le nom d’erreurs de commission ou d’erreur de type 1. Les données qui permettent de calculer ce taux d'erreur sont lues à partir des lignes de la table.

  La ligne Total montre le nombre de points qui auraient dû être identifiés comme une classe donnée d’après les données de référence.

• La précision des producteurs est un faux négatif, où les pixels d’une classe connue sont classés ailleurs que dans cette classe. Cela est le cas par exemple lorsque l’image classée identifie un pixel comme une forêt, alors qu’il devrait être imperméable. Dans ce cas, la classe imperméable ne comporte pas les pixels qui devraient être présents d’après les données de référence.

  La précision des producteurs est également désignée sous le nom d’erreurs d’omission ou d’erreur de type 2. Les données qui permettent de calculer ce taux d’erreur sont lues à partir des colonnes de la table.

  La colonne Total montre le nombre de points qui ont été identifiés comme une classe donnée d’après la carte classée.

• L’indice Kappa d’accord offre une évaluation globale de la précision de la classification.

• L’intersection sur union (IoU) est la surface de superposition entre la segmentation prévue et la réalité de terrain divisée par la surface d’union entre la segmentation prévue et la réalité de terrain. La valeur IoU est calculée pour chaque classe.

Paramètres

• Dialog
• Python

Etiqueter	Explication	Type de données
Raster en entrée	Raster classé en entrée.	Mosaic Layer; Raster Layer; Image Service; String; Raster Dataset; Mosaic Dataset
Données de réalité de terrain	Image de classification en entrée ou autres données de référence SIG thématiques. L'entrée peut être un raster ou une classe d'entités. Les données standards correspondent à une image de classification d’une bande unique dont le type de données est entier. Si vous utilisez des polygones en entrée, recourez uniquement à ceux qui ne sont pas utilisés comme échantillons d'apprentissage. Il peut également s'agir de données d'occupation du sol SIG au format de fichier de formes ou de classe d'entités.	Mosaic Layer; Raster Layer; Feature Layer
Matrice de confusion en sortie	Le nom du fichier en sortie de la matrice de confusion au format tabulaire. Le format de la table est déterminé par l'emplacement et le chemin d'accès en sortie. Par défaut, la sortie sera une table de géodatabase. Si le chemin ne se trouve pas dans une géodatabase, spécifiez l’extension .dbf pour l’enregistrer au format dBASE.	Table
Nombre de points aléatoires (Facultatif)	Le nombre total de points aléatoires qui vont être générés. Le nombre réel peut être supérieur, mais ne doit jamais être inférieur à ce nombre, selon la stratégie d’échantillonnage et le nombre de classes. Le nombre pas défaut de points générés de façon aléatoire est de 500.	Long
Stratégie d'échantillonnage (Facultatif)	Spécifie la structure d’échantillonnage qui sera utilisée. Aléatoire stratifié—Des points répartis de manière aléatoire seront créés au sein de chaque classe, où chaque classe dispose d’un nombre de points proportionnel à sa zone relative. Il s'agit du paramètre par défaut. Aléatoire stratifié égalisé—Des points répartis de manière aléatoire seront créés au sein de chaque classe, où chaque classe dispose du même nombre de points. Aléatoire—Des points répartis de manière aléatoire seront créés dans toute l’image.	String
Distance minimale entre les points (Facultatif)	Distance minimale entre les points de référence. Ce paramètre est actif si la valeur du paramètre Input Raster or Feature Class Data (Données raster ou de classe d’entités en entrée) est une classe d’entités. La valeur par défaut est 0.	Double

Environnements

Étendue, Système de coordonnées en sortie

Informations de licence

• Basic: Requiert Image Analyst ou Spatial Analyst
• Standard: Requiert Image Analyst ou Spatial Analyst
• Advanced: Requiert Image Analyst ou Spatial Analyst

Rubriques connexes

• Vue d’ensemble du jeu d’outils Deep Learning
• Installer des structures de Deep Learning pour ArcGIS
• Entraîner le modèle de Deep Learning
• Arguments de Deep Learning
• Architectures du modèle Deep Learning
• Rechercher un outil de géotraitement
• Créer des points d’évaluation de la précision
• Calculer la matrice de confusion