计算像素分类精度 (影像分析工具)
汇总
根据遗漏错误和错分以及交并比 (IoU) 分数计算混淆矩阵。 精度是在使用深度学习分类像素工具的输出与地面真实数据之间计算的。
该工具仅适用于像素分类模型，不适用于与使用深度学习分类像素工具配合使用的其他模型。
用法
此工具将计算每个类的用户精度和生产者精度，以及协议的整体 kappa 指数。 这些精度的范围介于 0 到 1 之间，其中 1 表示 100% 的精度。 以下是混淆矩阵的示例：
c_1
c_2
c_3
总计
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
混淆矩阵示例
用户精度是衡量所有被归类为给定类的像素中被正确分类的像素的标准。 被归类到这一类的其余像素根据参考信息属于不同的类，或者被识别为不同的类；它们是误报。
用户精度也称为错分误差或 1 类误差。 从表格的行中读取用于计算此误差率的数据。
总计行将根据参考数据显示本应被识别为给定类的点的数目。
已知类的像素被分类为非已知类，制作者精度为假阴性误差。 例如，分类影像将某像素标识为森林，但其本应是不可渗透的。 这种情况下，根据参考数据，不可渗透类缺少像素。
制作者精度也称为漏分误差或 2 类误差。 从表格的列中读取用于计算此误差率的数据。
总计列根据分类地图显示被识别为给定类的点的数目。
协议的 Kappa 指数将提供对于分类精度的整体评估。
交并比 (IoU) 是预测分割和实际地表之间的重叠区域除以预测分割和实际地表之间的并集区域。 将针对每个类计算平均 IoU 值。
参数
| 标注 | 说明 | 数据类型 |
|---|---|---|
|
输入栅格 |
输入分类栅格 |
Mosaic Layer; Raster Layer; Image Service; String; Raster Dataset; Mosaic Dataset |
|
实际地表数据 |
输入分类影像或其他专题 GIS 参考数据。 输入可以是栅格或要素类。 典型数据是单波段、整型数据类型的分类影像。 如果使用面作为输出，则仅使用未用作训练样本的面。 还可以是 shapefile 或要素类格式的 GIS 土地覆被数据。 |
Mosaic Layer; Raster Layer; Feature Layer |
|
输出混淆矩阵 |
表格式形式的混淆矩阵输出文件名。 表的格式由输出位置和路径确定。 默认情况下，输出为一张地理数据库表。 如果该路径不在地理数据库中，请指定 |
Table |
|
随机点的数量 （可选） |
将生成的随机点总数。 根据采样策略和类数，实际数量可能会超出此数量但绝不会低于此数量。 默认随机生成的点数为 500。 |
Long |
|
采样策略 （可选） |
指定要使用的采样方案。
|
String |
|
最小点距离 （可选） |
参考点之间的最小距离。 当输入栅格或要素类数据参数值为要素类时，此参数处于活动状态。 默认值为 0。 |
Double |
环境
许可信息
- 基本: 需要 Image Analyst 或 Spatial Analyst
- 标准: 需要 Image Analyst 或 Spatial Analyst
- 高级: 需要 Image Analyst 或 Spatial Analyst