混淆矩阵精度评价

混淆矩阵是用于表示精度评估的标准格式。阅读矩阵是表示类别数的行矩阵，通常可以用以下格式表示，如下表所示：这个矩阵是参考图像信息，行为评估图像分类结果信息，行与列的交集总结了分类为与参考类相关的特定类别的样本数。样本数可以是像素数或分割对象数。矩阵的主要对角元素()是按正确类别分组的样本数，对角以外的元素是参考数据的遥感分类的错误分类数，最右侧的列显示分类图中每个类别的总数，最下面的行显示参考图中每个类别的总数。其中是分类数据的类和引用的数据类型类的分类样例数。为分类获取的类别合计；参考资料的类别总计。为了评估样品总数。混淆矩阵表参考图像评估对象图像类型12.n行合计1.2.列合计.基于阅读矩阵，可以统计一系列评价指标，以评估分类提取结果，基本评价指标如下：(1)整体分类精度：整体分类准确度是对于每个随机样本，具有概率意义的统计，其分类结果指示参考数据与相应区域的实际类型相匹配的概率。(2)用户精度(类，对于User Accuracy):用户精度是指从与实际地面类型具有相同条件概率类型的分类结果中获取随机采样。(3)制图精确度(品类，适用于Producer Accuracy):制图精度表示分类图中相同位置的分类结果相对于参考数据的随机样本匹配的条件概率。土地利用分类常用的属性精度是制图精度。整体精确度、使用者精确度和制图精确度从不同的方面描述分类精确度，是简单的统计精确度指标。与这些统计相关的测量单位也有经常提到的泄漏和污点概率。(4)五分率(类别，commission)误差分数表示从与实际地面类型不同的条件概率类型的分类结果中获取随机样本。也就是说，无效的像素(对象)本身属于分类结果的一个类别，实际上属于另一个类。(5)泄漏率(类别，omission)泄漏率表示分类图中相对于参考数据的随机样本的相同位置的分类结果不匹配的条件概率。也就是说，复盖的像素(对象)本身属于地表参考数据类别，没有被分类器分类到该类别。泄漏率与制图精度互补，而五分率与用户精度互补。(6)卡帕头分析整体精度、用户精度或制图精度量表的客观性取决于样品和方法，用这些指标分析后，还需要更客观的指标来评价分类质量。Kappa分析是对遥感分类图和参考数据之间的一致性或准确性进行定量评估的方法，采用离散多元方法，更客观地评估分类质量，克服了混淆矩阵过于依赖样本和样本数据的收集过程。Kappa分析生成的评估指标称为统计，是衡量两个图之间的一致性或准确性的指标。在公式中，具有混淆矩阵的总行数(即类别总数)。是对矩阵中的行、列中的样本数(即分类正确的样本数)的混淆。和分别是行和列中的样本总数。用于准确度评估的样品总数。长期以来，很多学者对分类准确度评价进行了研究，结果显示，值为0.80的话，分类图表和地面参考信息之间的一致性很大或很高，值为0.40-0.80的话，一致性是中间的，值小于0.40的话，一致性很低。负值表示分类效果不好，而负值的范围取决于要评估的混淆矩阵，因此负值大小不表示分类效果。Koukoulas等认为矩阵和Kappa系数不能很好地表示分类准确度，目的是在特定类别(或类别组)和分类中引入对误差敏感的分类准确度评价指标。class ification success index(CSI)适用于整体类别的准确度评估，该评估全面评估计算出的分类有效性，如下所示：样式、类的错误率、类的泄漏率、类数。individual class ification success index(ICSI)适用于特定类别的分类精度评估，即单类分类问题或主题信息提取问题，计算方法如下：group class ification success index(gcsi)通常需