Вычислить точность классификации пикселов (Инструменты Image Analyst)

Краткая информация

Вычисляет матрицу неточностей, основанную на ошибках пропуска и невыполнения, и с учетом показателя Пересечение по объединению (IoU). Точность вычисляется на основе выходных данных инструмента Классифицировать объекты при помощи глубокого обучения и истинно точных данных.

Инструмент доступен только для моделей классификации пикселов, а не других моделей, которые используют инструмент Классифицировать пикселы при помощи глубокого обучения.

Использование

Этот инструмент вычисляет точность пользователя и построителя для каждого класса, а также общий индекс Kappa. Эти значения точности варьируются в диапазоне от 0 до 1, при этом 1 означает 100% точность. Ниже приведен пример матрицы неточностей:

Пример матрицы неточностей
	c_1	c_2	c_3	Всего	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

Пользовательская точность - это показатель количества пикселов, которые были правильно классифицированы, из общего числа пикселов, которые были отнесены к данному классу. Остальные пикселы, отнесенные к этому классу, принадлежат другому классу или идентифицированы как другой класс в соответствии с базовой информацией; они являются ложноположительными.

Пользовательская точность также называется ошибками выполнения, или ошибками 1-го типа. Данные для расчета коэффициента ошибок считываются со строк таблицы.

Строка Всего показывает число точек, которые, согласно базовым данным, должны были определиться как заданный класс.
Точность построителя - это ложноотрицательное значение, при котором пикселы известного класса классифицируются как нечто отличное от этого класса. Примером может служить случай, когда классифицированное изображение идентифицирует пиксел как лес, но он должен быть непроницаемым. В этом случае, непроницаемый класс – это отсутствующие пикселы в соответствии с базовыми данными.

Точность построителя также называют ошибками пропуска или ошибкой типа 2. Данные для расчета этого коэффициента ошибок считываются со столбцов таблицы.

Столбец Всего показывает число точек, которые, согласно классифицированной карте, определились как заданный класс.
Индекс Kappa дает общую оценку точности классификации.
Пересечение по объединению (IoU) - это область перекрытия между прогнозируемой сегментацией и истинно точными данными, деленная на область слияния между прогнозируемой сегментацией и истинно точными данными. Среднее значение IoU вычисляется для каждого класса.

Подпись	Объяснение	Тип данных
Входной растр	Входной классифицированный растр.	Mosaic Layer; Raster Layer; Image Service; String; Raster Dataset; Mosaic Dataset
Данные наземного контроля	Входное изображение для классификации или другие исходные тематические ГИС-данные. Входные данные могут быть растром или классом объектов. Обычно данные представляют собой изображение классификации отдельного канала целочисленного типа данных. Если используется полигоны в качестве входных данных, необходимо не брать те же полигоны, что и для обучающей выборки. Можно работать также с ГИС-данными почвенно-растительного покрова из шейп-файла или класса пространственных объектов.	Mosaic Layer; Raster Layer; Feature Layer
Выходная матрица неточностей	Имя выходного файла матрицы неточностей в табличном формате. Формат таблицы определяется выходным местоположением и путем к ней. По умолчанию выходными данными будет таблица базы геоданных. Если путь не в базе геоданных, укажите расширение `.dbf`, чтобы сохранить ее в формате dBASE.	Table
Количество случайных точек (Дополнительный)	Общее число произвольных точек, которые будут сгенерированы. В зависимости от метода выборки и числа классов действительное число может вырасти, но никогда не может уменьшиться. Число произвольно созданных точек по умолчанию равно 500.	Long
Стратегия выборки (Дополнительный)	Указывает схему выборки, которая будет использоваться. Стратифицированная случайная выборка–В каждом классе будут созданы случайным образом распределенные точки, количество которых пропорционально их относительной площади. Используется по умолчанию Выровненная стратифицированная случайная выборка–В каждом классе будут созданы случайным образом распределенные точки, количество которых в каждом классе одинаковое. Произвольно–По всему изображению будут созданы случайным образом распределенные точки.	String
Минимальное расстояние точки (Дополнительный)	Минимальное расстояние между опорными точками Этот параметр активен, когда значением параметра Входные данные растров или классов объектов является класс объектов. Значение по умолчанию равно 0.	Double

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

Имя	Объяснение	Тип данных
in_raster	Входной классифицированный растр.	Mosaic Layer; Raster Layer; Image Service; String; Raster Dataset; Mosaic Dataset
in_ground_truth_data	Входное изображение для классификации или другие исходные тематические ГИС-данные. Входные данные могут быть растром или классом объектов. Обычно данные представляют собой изображение классификации отдельного канала целочисленного типа данных. Если используется полигоны в качестве входных данных, необходимо не брать те же полигоны, что и для обучающей выборки. Можно работать также с ГИС-данными почвенно-растительного покрова из шейп-файла или класса пространственных объектов.	Mosaic Layer; Raster Layer; Feature Layer
out_confusion_matrix	Имя выходного файла матрицы неточностей в табличном формате. Формат таблицы определяется выходным местоположением и путем к ней. По умолчанию выходными данными будет таблица базы геоданных. Если путь не в базе геоданных, укажите расширение `.dbf`, чтобы сохранить ее в формате dBASE.	Table
num_random_points (Дополнительный)	Общее число произвольных точек, которые будут сгенерированы. В зависимости от метода выборки и числа классов действительное число может вырасти, но никогда не может уменьшиться. Число произвольно созданных точек по умолчанию равно 500.	Long
sampling (Дополнительный)	Указывает схему выборки, которая будет использоваться. `STRATIFIED_RANDOM`–В каждом классе будут созданы случайным образом распределенные точки, количество которых пропорционально их относительной площади. Используется по умолчанию `EQUALIZED_STRATIFIED_RANDOM`–В каждом классе будут созданы случайным образом распределенные точки, количество которых в каждом классе одинаковое. `RANDOM`–По всему изображению будут созданы случайным образом распределенные точки.	String
min_point_distance (Дополнительный)	Минимальное расстояние между опорными точками Этот параметр включен, когда значением параметра `in_class_data` является класс объектов. Значение по умолчанию равно 0.	Double

Пример кода

ComputeAccuracyForPixelClassification, пример 1 (окно Python)

Этот пример создает матрицу неточностей с помощью 500 стратифицированных случайных точек.

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, пример 2 (автономный скрипт)

Этот пример создает матрицу неточностей с помощью 500 случайных точек.

# 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)

Параметры среды

Экстент, Выходная система координат

Информация о лицензировании