易康econgnition精度验证

Question

使用易康软件进行监督分类以后应该怎样进行分层随机抽烟进行精度验证呢？目前看到的都是在ENVI中进行的。希望能够详细的讲解一下

Answer 1

引自免费微信小程序：皆我百晓生

在易康(eCognition)软件中进行监督分类后的精度验证，可以通过分层随机抽样的方法来进行。尽管易康本身可能没有像ENVI那样内置的精度评估工具，但你可以通过手动步骤完成这一过程。下面是详细的步骤指导：

1. 准备工作

• 确保分类结果: 首先，确保你的图像已经过监督分类，并且每个类别都有清晰的定义。
• 参考数据获取: 收集或准备一个准确的地面实况数据集（Ground Truth, GT），这通常是一份包含真实地物类别的矢量图层。确保这份数据覆盖了各类别的样本，且尽可能均匀分布。

2. 分层随机抽样

• 分层: 根据你的分类结果，将图像分割成不同的“层”。每一“层”代表一类，这样可以确保抽样时各类别都能被均衡考虑。

• 随机抽样: 对于每一层（即每个类别），按照一定的比例（比如5%或10%）随机选择像素或区域作为验证样本。在易康软件中，这个过程需要手动或借助外部工具（如GIS软件）完成。

  • 手动操作: 在易康中，你可以通过目视检查分类结果，然后在参考数据上标记出对应位置的正确类别。记录这些点的位置和实际类别。
  • 外部工具辅助: 使用GIS软件（如QGIS、ArcGIS）导入分类结果和GT数据，利用其空间分析功能进行分层随机抽样。

3. 计算精度指标

抽样完成后，你需要统计以下信息：

• 总体正确率: 正确分类的样本数占总样本数的比例。
• 用户精度: 每个类别的样本中，真正属于该类别的样本比例。
• 生产者精度: 每个类别中，被正确识别为该类别的样本比例。
• Kappa系数: 评估分类结果与随机分类之间的差异，值范围从0到1，接近1表示分类精度高。

4. 手动计算或使用脚本

由于易康本身不直接支持精度报告生成，你可以手动整理数据并使用Excel或类似的表格软件进行计算，或者编写简单的脚本（如Python）自动化这一过程。

Python示例代码

如果你决定使用Python来自动化计算精度指标，下面是一个简化的示例代码框架：

from sklearn.metrics import confusion_matrix

# 假设 you have two lists: predicted_labels and true_labels
predicted_labels = [1, 2, 1, 2, 1, 1, 2, 2] # 分类预测结果
true_labels = [1, 1, 2, 2, 1, 2, 1, 2] # 真实标签

# 计算混淆矩阵
cm = confusion_matrix(true_labels, predicted_labels)

# 提取混淆矩阵的元素
TP = cm.trace() - cm.diagonal().sum()  # 总真阳性（所有类别的正确分类）
FP = cm.sum(axis=0) - cm.diagonal()    # 假阳性
FN = cm.sum(axis=1) - cm.diagonal()    # 假阴性
TN = cm.sum() - (FP + FN + TP)         # 真阴性

# 计算各种精度指标
overall_accuracy = TP / (TP + FP + FN)
producer_accuracy = cm.diagonal() / cm.sum(axis=1)
user_accuracy = cm.diagonal() / cm.sum(axis=0)

# Kappa系数计算
n_classes = len(cm)
total = cm.sum()
p0 = total / (n_classes**2)
pa = np.diag(cm).sum() / total
pe = np.dot(cm.sum(axis=0), cm.sum(axis=1)) / total**2
kappa = (pa - pe) / (1 - pe)

print(f"Overall Accuracy: {overall_accuracy}")
print("Producer Accuracy per class:", producer_accuracy)
print("User Accuracy per class:", user_accuracy)
print(f"Kappa Coefficient: {kappa}")

请注意，以上代码是基于一个简化的示例，你需要根据实际情况调整输入数据和处理逻辑。

5. 结果分析

分析计算出的各项精度指标，理解分类模型在不同类别上的表现，找出可能的误分类原因，为进一步改进分类模型提供依据。

通过上述步骤，即使在没有特定内置工具的情况下，你也可以在易康(eCognition)软件中完成分类结果的精度验证。