【转】误差矩阵（混淆矩阵）评价法
誤差矩陣（混淆矩陣）評價法
基于誤差矩陣的分類精度評價方法
誤差矩陣（error matrix）又稱混淆矩陣（confusion matrix），是一個用于表示分為某一類別的像元個數與地面檢驗為該類別數的比較陣列。通常，陣列中的列代表參考數據，行代表由遙感數據分類得到的類別數據。
?
| 參考數據 | ||||||
| ? ? RS分類數據 | ? | A | B | C | D | ni+ |
| A | N11 | N12 | … | N1k | N1+ | |
| B | N21 | N22 | … | ? | N2+ | |
| C | … | … | … | ? | … | |
| D | Nk1 | Nk2 | … | Nkk | Nk+ | |
| n+j | N+1 | N+2 | … | N+k | N | |
?
設n為遙感分類精度評價中總的樣本數，k為總的分類類別數目，
nij為RS中被分為i類而在參考類別中屬于j類的樣本數目。
則，在RS中被分為i類的樣本數目為：ni+=∑nij?（j=1~k）
參考類別為j的樣本數目為：n+j=∑nij??（i=1~k）
總體精度（overall accuracy）為：OA =（∑nii）/n???（i=1~k）
生產者精度（producer’s accuracy）為：PAj = njj / n+j
用戶精度（user’s accuracy）為：UAi = nii / ni+
?
Kappa分析，統計意義上反映分類結果在多大程度上優于隨機分類結果，可以用于比較兩個分類器的誤差矩陣是否具有顯著差別。
Kappa分析產生的評價指標被稱為K統計值：
三Erdas中的分類精度評價
1.打開分類結果（img）
2. Classifier >Accuracy Assessment
3. Accuracy Assessment窗口中，open >選擇分類結果（img）
4. View > select viewr選擇打開的影像（img）的窗口
5. Edit > create /add random point設置Number of points (生成多少個隨機點)，select classes，可以選擇只在某些類中生成隨機點
6. Edit >Show Class Values
7. View > Show All
8.在Reference列中輸入該點的參考類別號
9. Report > Accuracy Report
該報告中有生產者精度，用戶精度，總體精度，Kappa等數值。
?
?對一幀遙感影像進行專題分類后需要進行分類精度的評價，而進行評價精度的因子有混淆矩陣、總體分類精度、Kappa系數、錯分誤差、漏分誤差、每一類的制圖精度和用戶精度。
????1、混淆矩陣（ConfusionMatrix）: 主要用于比較分類結果和地表真實信息，可以把分類結果的精度顯示在一個混淆矩陣里面?；煜仃囀峭ㄟ^將每個地表真實像元的位置和分類與分類圖象中的相應位置和分類像比較計算的。混淆矩陣的每一列代表了一個地表真實分類，每一列中的數值等于地表真實像元在分類圖象中對應于相應類別的數量，有像元數和百分比表示兩種。
????2、總體分類精度（Overall Accuracy）: 等于被正確分類的像元總和除以總像元數，地表真實圖像或地表真實感興趣區限定了像元的真實分類。被正確分類的像元沿著混淆矩陣的對角線分布，它顯示出被分類到正確地表真實分類中的像元數。像元總數等于所有地表真實分類中的像元總和。
????3、Kappa系數：是另外一種計算分類精度的方法。它是通過把所有地表真實分類中的像元總數（N）乘以混淆矩陣對角線（Xkk）的和，再減去某一類中地表真實像元總數與該類中被分類像元總數之積對所有類別求和的結果，再除以總像元數的平方差減去某一類中地表真實像元總數與該類中被分類像元總數之積對所有類別求和的結果所得到的。
????4、錯分誤差：指被分為用戶感興趣的類，而實際上屬于另一類的像元，錯分誤差顯示在混淆矩陣的行里面。
????5、漏分誤差：指本屬于地表真實分類，但沒有被分類器分到相應類別中的像元數。漏分誤差顯示在混淆矩陣的列里。
????6、制圖精度：指假定地表真實為A類，分類器能將一幅圖像的像元歸為A的概率
????7、用戶精度：指假定分類器將像元歸到A類時，相應的地表真實類別是A的概率。
?
?
在ENVI中，選擇主菜單->Classification->Post Classification->Confusion Matrix->Using Ground Truth ROIs。將分類結果和ROI輸入，軟件會根據區域自動匹配，如不正確可以手動更改。點擊ok后選擇報表的表示方法（像素和百分比），就可以得到精度報表。
???對分類結果進行評價，確定分類的精度和可靠性。有兩種方式用于精度驗證：一是混淆矩陣，二是ROC曲線，比較常用的為混淆矩陣，ROC曲線可以用圖形的方式表達分類精度，比較形象。
????對一幀遙感影像進行專題分類后需要進行分類精度的評價，而進行評價精度的因子有混淆矩陣、總體分類精度、Kappa系數、錯分誤差、漏分誤差、每一類的制圖精度和擁護精度。
混淆矩陣中的幾項評價指標，如下：
l總體分類精度
等于被正確分類的像元總和除以總像元數。被正確分類的像元數目沿著混淆矩陣的對角線分布，總像元數等于所有真實參考源的像元總數，如本次精度分類精度表中的Overall Accuracy = (1849/2346)
78.8150%。
lKappa系數
它是通過把所有真實參考的像元總數（N）乘以混淆矩陣對角線（XKK）的和，再減去某一類中真實參考像元數與該類中被分類像元總數之積之后，再除以像元總數的平方減去某一類中真實參考像元總數與該類中被分類像元總數之積對所有類別求和的結果。
l錯分誤差
指被分為用戶感興趣的類，而實際屬于另一類的像元，它顯示在混淆矩陣里面。本例中，林地有419個真實參考像元，其中正確分類265，12個是其他類別錯分為林地（混淆矩陣中林地一行其他類的總和），那么其錯分誤差為12/419=2.9%。
l漏分誤差
指本身屬于地表真實分類，當沒有被分類器分到相應類別中的像元數。如在本例中的耕地類，有真實參考像元465個，其中462個正確分類，其余3個被錯分為其余類（混淆矩陣中耕地類中一列里其他類的總和），漏分誤差為3/465=0.6%
l制圖精度
是指分類器將整個影像的像元正確分為A類的像元數（對角線值）與A類真實參考總數（混淆矩陣中A類列的總和）的比率。如本例中林地有419個真實參考像元，其中265個正確分類，因此林地的制圖精度是265/419=63.25%。
l用戶精度
是指正確分到A類的像元總數（對角線值）與分類器將整個影像的像元分為A類的像元總數（混淆矩陣中A類行的總和）比率。如本例中林地有265個正確分類，總共劃分為林地的有277，所以林地的用戶精度是265/277=95.67%。
首先你做分類的時候要選好分類的地區影像，一般要求要有地面數據支持，也就是說要知道你待分類的影像的地物類別，這樣在你的分類完成后才可能評價你的分類精度，
分類精度的評價一般是用混淆矩陣來評價，從混淆矩陣中算出總精度和Kappa系數就可作為分類精度了。
分類的精度，一般兩種方法，實地調查；高分辨率的影像檢驗低分辨率影像的分類。
總結
以上是生活随笔為你收集整理的【转】误差矩阵（混淆矩阵）评价法的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 协方差矩阵的概念，算法以及自己的一些理解
- 下一篇： 自己在CODING过程中遇到的问题以及解