图像分类与融合中精度评价指标.docVIP

图像分类和融合中精度评价指标 1.图像分类中精度评价的几个指标 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。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（confusion matrix） 混淆矩阵又称误差矩阵（error 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。有像元数和百分比表示两种。 　 Ground Truth(Pixels) 　 Class 水体 林地 耕地 未利用地 居民地 　Total 水体 25792 0 0 2 44 25838 林地 80 16825 297 684 1324 19210 耕地 519 60 27424 38 11542 39583 未利用地 31 0 0 9638 487 10156 居民地 323 0 49 133 30551 31056 Total 26745 16885 27770 10495 43948 125843 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。被正确分类的像元数目沿着混淆矩阵的对角线分布，总像元数等于所有真实参考源的像元总数，如本次精度分类精度表中的Overall Accuracy = 110230/125843 3.Kappa系数（Kappa Coefficient） 它是通过把所有真实参考的像元总数（N）乘以混淆矩阵对角线（XKK）的和，再减去某一类中真实参考像元数与该类中被分类像元总数之积之后，再除以像元总数的平方减去某一类中真实参考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。结果k=83.96%. 4.错分误差（Commission） 指被分为用户感兴趣的类，而实际属于另一类的像元，它显示在混淆矩阵里面。本例中，总共划分为林地有19210个像元，其中正确分类16825，2385个是其他类别错分为林地（混淆矩阵中林地一行其他类的总和），那么其错分误差为2385/19210= 12.42%。 5.漏分误差（Omission） 指本身属于地表真实分类，当没有被分类器分到相应类别中的像元数。如在本例中的林地类，有真实参考像元16885个，其中16825个正确分类，其余60个被错分为其余类（混淆矩阵中耕地类中一列里其他类的总和），漏分误差60/16885=0.36% 6.制图精度（Prod.Acc） 是指分类器将整个影像的像元正确分为A类的像元数（对角线值）与A类真实参考总数（混淆矩阵中A类列的总和）的比率。如本例中林地有16885个真实参考像元，其中16825个正确分类，因此林地的制图精度是16825/16885=99.64%。 7.用户精度（User.Acc） 是指正确分到A类的像元总数（对角线值）与分类器将整个影像的像元分为A类的像元总数（混淆矩阵中A类行的总和）比率。如本例中林地有16825个正确分类，总共划分为林地的有19210，所以林地的用户精度是16825/19210=87.58%。 2.图像融合中精度评价的几个指标 当前融合效果的评价问题一直未得到很好的解决，原因是：同一融合算法，对不同类型的图像，其融合效果不同；同一融合算法，对同一图像，观察者感兴趣的部分不同，则认为效果不同；不同的应用方面，对图像各项参数的要求不同，导致选取的评价方法不同。 因而，需要寻找一种比较客观评价融合图像效果的方法，使计算机能够自动选取适合当前图像的、效果最佳的算法。从而为不同场合下选择不同较优算法提供依据。 1客观评价 1.1基于信息量的评价 1.1.1 熵 图像的熵是衡量图像信息丰富程度的一个重要指标。如果融合图像的熵越大，说明融合图像的信息量增加。 1.1.2交叉熵 交叉熵直接反映了两幅图像对应像素的差异，是对两幅图像所含信息的相对衡量。 1.1.3相关熵（互信息） 相关熵（互信息）是信息论中的一个重要基本概念，它可作为两个变量之间相关性的量度，或一个变量包含另一个变量的信息量的量度，因此，融合图像与原始图像的相关熵（互信息）越大越好。 1.1.4偏差熵 偏差熵反映了两幅图像像素偏差的程度，同时也反映了两幅图像信息量的偏差度，分别有：单一偏差熵、总体平方平均偏差熵、总体算术平均偏差熵、总体几何平均偏差熵、总体调和平均偏差熵。 1.1.5联合熵 联合熵也是信息论中的一个重要基本概念，它可作为三幅图像之间相关性的量度，同时也反