混淆矩阵编程计算方法.docVIP

误差矩阵（混淆矩阵）评价法 基于误差矩阵的分类精度评价方法 误差矩阵（error matrix）又称混淆矩阵（confusion matrix），是一个用于表示分为某一类别的像元个数与地面检验为该类别数的比较阵列。通常，阵列中的列代表参考数据，行代表由遥感数据分类得到的类别数据。 参考数据 设n为遥感分类精度评价中总的样本数，k为总的分类类别数目， nij为RS中被分为i类而在参考类别中属于j类的样本数目。 则，在RS中被分为i类的样本数目为：ni+=∑nij （j=1~k） 参考类别为j的样本数目为：n+j=∑nij （i=1~k） 总体精度（overall accuracy）为：OA =（∑nii）/n （i=1~k） 生产者精度（producer’s accuracy）为：PAj = njj / n+j 用户精度（user’s accuracy）为：UAi = nii / ni+ Kappa分析，统计意义上反映分类结果在多大程度上优于随机分类结果，可以用于比较两个分类器的误差矩阵是否具有显著差别。 Kappa分析产生的评价指标被称为K统计值： [转载]erdas分类精度评价 三Erdas中的分类精度评价 1.打开分类结果（img） 2. Classifier Accuracy Assessment 3. Accuracy Assessment窗口中，open 选择分类结果（img） 4. View select viewr选择打开的影像（img）的窗口 5. Edit create /add random point设置Number of points (生成多少个随机点)，select classes，可以选择只在某些类中生成随机点 6. Edit Show Class Values 7. View Show All 8.在Reference列中输入该点的参考类别号 9. Report Accuracy Report 该报告中有生产者精度，用户精度，总体精度，Kappa等数值。 对一帧遥感影像进行专题分类后需要进行分类精度的评价，而进行评价精度的因子有混淆矩阵、总体分类精度、Kappa系数、错分误差、漏分误差、每一类的制图精度和用户精度。 1、混淆矩阵（ConfusionMatrix）: 主要用于比较分类结果和地表真实信息，可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。混淆矩阵的每一列代表了一个地表真实分类，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量，有像元数和百分比表示两种。 2、总体分类精度（Overall Accuracy）: 等于被正确分类的像元总和除以总像元数，地表真实图像或地表真实感兴趣区限定了像元的真实分类。被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。像元总数等于所有地表真实分类中的像元总和。 3、Kappa系数：是另外一种计算分类精度的方法。它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。 4、错分误差：指被分为用户感兴趣的类，而实际上属于另一类的像元，错分误差显示在混淆矩阵的行里面。 5、漏分误差：指本属于地表真实分类，但没有被分类器分到相应类别中的像元数。漏分误差显示在混淆矩阵的列里。 6、制图精度：指假定地表真实为A类，分类器能将一幅图像的像元归为A的概率 7、用户精度：指假定分类器将像元归到A类时，相应的地表真实类别是A的概率。 在ENVI中，选择主菜单-Classification-Post Classification-Confusion Matrix-Using Ground Truth ROIs。将分类结果和ROI输入，软件会根据区域自动匹配，如不正确可以手动更改。点击ok后选择报表的表示方法（像素和百分比），就可以得到精度报表。 对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较形象。 对一帧遥感影像进行专题分类后需要进行分类精度的评价，而进行评价精度的因子有混淆矩阵、总体分类精度、Kappa系数、错分误差、漏分误差、每一类的制图精度和拥护精度。 混淆矩阵中的几项评价指标计算方法，如下： l总体分类精度 等于被正