利用envi计算二分类（多分类）精度评价指标

最新推荐文章于 2024-06-12 21:59:22 发布
最新推荐文章于 2024-06-12 21:59:22 发布
阅读量309 收藏 3
点赞数
文章标签： 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_51500136/article/details/133344138
版权
YBQ79
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
envi精度评定_利用ArcGIS+envi实现遥感分类精度评价（分层抽样法）,ArcGISENVI,评估,的...
weixin_31002509的博客
03-04 5741
最近修改论文已经到了最后的关口，结果被质疑分类精度评估的方法。我原来的方法是利用ArcGIS建立格网，格网中心点作为我的目视解译点，然后利用ArcGIS收集该点的影像分类结果，计算混淆矩阵。被质疑之后我使用了分层抽样法，原理我就不说了，通过分层抽样法可以计算出一幅影像每个类别需要的抽样点为多少。之后在分类影像上每个类别的点随机撒在该类别的位置，再人工目视解译，与影像分类结果一起计算混淆矩阵即可。我...
Envi监督分类及精度验证
jiekeheiguanglan的博客
01-11 1万+
envi监督分类及精度验证
ENVI 决策树分类
05-02
ENVI 决策树分类
envi支持向量机分类未响应_人工智能：解决二分类问题最优雅的方法：支持向量机...
weixin_32900811的博客
12-19 2050
支持向量机是二分类中比较复杂的一个类型，它可用于解决线性或非线性二分类问题。如下图，二分类问题可以形象的表述为在实例中间找到一线能够将他们分开。但是这些线可能有很多(高维空间就变成了超平面)，支持向量机的核心思想就是要找到那个与正例、负例间隔最大的平面，即最优分割平面。图1 二分类问题支持向量机的数学模型见下图，距正例最近的方程为wx+b=1，负例为wx+b=-1,分割平面为wx+b=0。是不是像...
ENVI监督分类及精度评价
热门推荐
zhoulong_giser
02-24 5万+
最近协助同学做了完整的监督分类数据，特此记录下来。对于ENVI监督分类，是每一个遥感从业者掌握的最基础的一个方法，但是完整的监督分类流程和精度评价，估计往往认识不够，所以以下的分享还是有点意义。 监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练...
关于遥感影像ENVI分类小结
水滴石穿，绳锯木断
07-24 8342
1、关于分类精度检验 在
影像信息提取之-----混淆矩阵计算
David_jiang
10-15 1万+
查阅相关的资料，也没有得到土地利用类型转换矩阵确切的定义，我们理解为不同时间段内同一区域内土地利用类型的相互转换关系，其实本质就是遥感动态监测中的分类后比较方法，一般用二维表和图像来表达： l  二维表 从二维表中可以快速查看各个地类间相互转化的具体情况。比如某一类别的土地有百分之多少（或者面积）分别转化成了其他的土地类型，现在某类型的土地分别是由过去的哪些类别转化而来的等等。 l
ENVI土地利用监督分类详解课件.rar
08-30
利用ENvi对遥感数据进行监督分类，包括数据选择、数据处理、监督分类及分类结果评价等课件，超级详细！
ENVI监督分类、非监督分类及精度评定详细教程
04-14
envi监督分类
ENVI监督分类的实习报告.pdf
07-13
ENVI监督分类的实习报告.pdfENVI监督分类的实习报告.pdfENVI监督分类的实习报告.pdfENVI监督分类的实习报告.pdfENVI监督分类的实习报告.pdfENVI监督分类的实习报告.pdf
ENVI扩展工具-CART决策树分类扩展插件RuleGen
06-18
ENVI插件RuleGen，可用于CART决策树分类。包含三个.exe文件、一个.sav文件、介绍说明文件。
ENVI遥感图像监督分类 包含练习数据
10-02
ENVI遥感图像监督分类 包含练习数据
ENVI软件中决策树分类和监督分类算法比较
yuanYW7556的博客
08-06 1万+
概述 本次实验采用多源遥感影像数据,结合ENVI遥感影像处理软件,建立面向对象决策树、自动阈值决策树的规则,实现决策树分类,并对分类结果做精度评价,最后将决策树分类方法与传统监督分类方法进行比较,简要分析了这两类分类方法的优劣。 分类方法 面向对象决策树分类,又称基于专家知识决策树分类,是根据遥感影像数据和其它空间数据，通过专家总结、统计方法和总结归纳等，获得决策树分类的规则并实现决策树分类。决策树能够利用多源遥感影像数据实现分类，其规...
用ENVI评价分类精度
yy_nju的专栏
12-30 1万+
（1）首先需要将外部程序生成的分类文件转化为ENVI可以识别的分类图，方法如下： Envi打开图像->Tools->Color Mapping->Density Slice->Set default numer of ranges(设置为聚类数目)->Applydefault ranges->output ranges to class image （2）对分类结果进行合并与命名，
如何使用ENVI进行精度验证步骤
舒克&beta
12-10 4万+
1.加载使用程序或者人工解译分类的tif图像 加载图像 进行彩色密度分割 位置：New Raster Color Slice 结果 转换为ENVI类型图像 工具位置：Slice>Export Color Slices>Class Image 结果 注：ENVI中的混淆矩阵验证工具只接受ENVI 2.使用ROI工具建立验证样本集 建立验证样本集的方式主要有两种，一是通过ROI直接建立样本集，二是从外部导入shp或者xml文件。 通过ROI建立验证样本
envi精度评定_envi分类精度评价操作步骤
weixin_33891841的博客
02-01 8190
envi分类精度评价操作步骤 分类精度评价主要有两种方式：混合矩阵、ROC 曲线。其中混合矩阵是以数据的形式表示 分类的精度，而 ROC 曲线的用线条来表示精度。 这里主要整理一下混合矩阵中的两种方式 首先对被分类的原图像再次进行一次 ROI 的选择，这次的感兴趣区的选择尽量只选择纯净 像元， 这样使得分类的精度较高， 或者在跟原图像同一区域范围的高精度图像上进行感兴趣区的 选取。这次的感兴趣定义...
【ENVI入门系列】13.分类后处理
晚来天欲雪，能饮一杯无？
12-10 3万+
原文地址：【ENVI入门系列】13.分类后处理作者：ENVI-IDL中国 版权声明：本教程涉及到的数据提供仅练习使用，禁止用于商业用途。 目录 分类后处理     1.    概述     2.    分类后处理     2.1    小斑块去除     2.1.1    Majority和Minority分析     2.1.2    聚类处理
分类精度评价指标
weixin_33893473的博客
12-09 2616
     True Positive (TP) False Positive (FP) False Negative (FN) True Negative TN 准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN)精确率(precision) = TP/(TP+FP) 召回率(recall) = TP/(TP+FN)  1. 查准率(prec...
【计算机视觉】人脸算法之图像处理基础知识（二）
最新发布
qq_42782701的博客
06-12 415
我们常见的图像通常由R（红色）、G（绿色）、B（蓝色）组成。但是在很多时候我们会将彩色图像转换成灰度图像进行处理。此时会用到cv2.cvtColor函数，它有很多转换方式，如。
envi精度评价kappa系数
09-14
### 回答1： Kappa系数是一种用于衡量分类器的精度的统计量，它考虑到了分类器的正确率和误报率。Kappa系数的范围在-1到1之间，其中-1表示完全不一致，0表示随机一致，1表示完全一致。 首先需要计算混淆矩阵，它是一个2x2的矩阵，其中第一行表示实际情况是阳性或阴性，第二行表示分类器的预测结果是阳性或阴性。然后，可以使用下面的公式计算Kappa系数： Kappa = (P_o - P_e) / (1 - P_e) 其中P_o表示观察到的分类器的准确率，P_e表示预期的分类器准确率。P_e的计算方式为： P_e = (a+b/c+d)^2 + (a+c/b+d)^2 其中a表示分类器正确地预测阳性的数量，b表示分类器错误地预测阳性的数量，c表示分类器错误地预测阴性的数量，d表示分类器正确地预测阴性的数量。 Kappa系数越接近1，表示分类器的效果越好。 ### 回答2： Kappa系数是一种常用于衡量分类准确度的统计学指标，可用于评价Envi图像分类的精度。Kappa系数的取值范围为-1到1之间，数值越接近1表示分类结果的一致性越高，数值越接近-1则表示分类结果的一致性越差。 Kappa系数的计算基于实际分类结果和预测分类结果之间的一致性。首先，我们需要创建一个混淆矩阵，该矩阵显示了实际分类和预测分类的对应关系。在混淆矩阵中，对角线上的元素表示分类正确的样本数，而非对角线上的元素表示分类错误的样本数。 通过计算混淆矩阵中各个类别的分类准确率以及总体分类准确率，我们可以得到Kappa系数的计算公式如下： Kappa = (总体分类准确率 - 期望分类准确率) / (1 - 期望分类准确率) 其中，期望分类准确率是基于随机分类假设计算得出的分类准确率。 Kappa系数对于评价分类算法的性能非常有用，特别是在样本不平衡或类别不均衡的情况下。它对于不同类别之间的误差敏感，能够更准确地评估分类的一致性。 综上所述，通过计算混淆矩阵并使用Kappa系数，我们可以客观地评价Envi图像分类算法的精度，为分类结果的一致性提供准确的度量。 ### 回答3： Kappa系数是一种常用的评价分类模型准确度的统计方法，用于衡量两个分类器的一致性程度。在环境精度评价中，Kappa系数可以用来评估一个自动分类模型对环境要素的分类准确度和一致性。 Kappa系数的计算基于混淆矩阵，混淆矩阵是一个二维表格，包含了预测分类结果和实际分类结果之间的交叉项。在环境精度评价中，可以将混淆矩阵的行表示为实际环境要素的类别，列表示为模型预测的分类结果。而每个交叉项则表示了模型正确分类了多少个环境要素，或者错误分类了多少个环境要素。 通过计算混淆矩阵中的各项元素及总和，可以得到模型对环境要素分类的准确度指标。Kappa系数的计算公式为：Kappa = (P0 - Pe) / (1 - Pe)，其中P0表示被观察到的分类准确度，Pe表示偶然一致性的期望。 Kappa系数的取值范围为-1到1，其中1表示完全一致，0表示与偶然一致性相同，而-1表示完全不一致。根据Kappa系数的取值，可以对自动分类模型的准确度进行评价。一般而言，Kappa系数在0.61-0.80之间被认为是良好的准确度，而0.81以上则被认为是非常好的准确度。 综上所述，Kappa系数是一种用于评估环境精度评价中自动分类模型准确度和一致性的重要指标。通过对混淆矩阵的计算，能够得到Kappa系数的具体数值，从而对模型的分类准确度进行准确评估。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值