分类结果精度评价方法及案例分析

eCognition中的精度评价方法一共有4种：分类稳定性（Classification Stability）、最佳分类结果概率（Best Classification Result）、基于像素的混淆矩阵（Error Matrix Based on TTAMask）和基于对象样本的混淆矩阵（ErrorMatrix based on Samples）。前两者主要针对“软分类”，即模糊分类；后两种主要针对“硬分类”，即常用的混淆矩阵。本章使用的是基于对象样本的混淆矩阵的精度评价方法。

总体精度、生产者精度、用户精度、Kappa系数等指标常被用于遥感影像分类精度评价，这些指标可根据混淆矩阵计算，对于含k类别的分类问题，误差矩阵为一个k行k列的矩阵，误差矩阵结构如表4-6所示（徐首珏，2018）。

表4-6　分类精度评价误差矩阵模型

矩阵中的每一行代表在参考图像中属于某类地物的样本数目，每一列代表实际分类结果中各个类别对应的样本数目。其中，为参考数据的第i类的总和；为分类数据中第j类的总和；pij表示真实属于第i类，却被分类成第j类的样本数；m表示样本总数。

（1）总体精度（Overall Accuracy，OA）。表示被正确分类的像元占总像元的比例，其定义为：

（2）生产者精度（Producer’s Accuracy，PA）。生产者精度为某类别正确分类个数除以该类的总采样个数（该类的列总和）。第i类生产者精度PA i表示真实情况下属于第i类，分类结果也判为第i类的条件概率：(www.xing528.com)

（3）用户精度（User’s Accuracy，UA）。用户精度为某类别正确分类个数除以分为该类的采样个数（该类的行总和）。第i类用户精度表示分类方法判为第i类，真实情况下也属于第i类的条件概率：

（4）Kappa系数。总体精度、生产者精度、用户精度依赖于采样样本及采样方法，Kappa系数较这3个指标更为客观。Kappa系数摒弃了基于正态分布的统计方法，认为遥感数据是呈多项式的、离散分布的，在统计过程中综合考虑了误差矩阵的所有因素，更具实用性，计算公式为：

Kappa系数的取值区间为[-1，1]。若Kappa系数的评价结果为0.8，则表明待评价影像的分类结果与参考图像的分类结果相似度为90%。当各个类别像素数目相差较大时，总体精度不能反映小类的分类效果，而Kappa系数考虑到了各类像素数目的不平衡性，不会随各类别占比的变化而改变。因而Kappa系数能全面地反映分类结果与真实结果的一致性程度，能更加全面地度量分类精度。