遥感影像分类精度评价

遥感影像分类精度评价

在ENVI中,选择主菜单->Classification->Post Classification->Confusion Matrix->Using Ground Truth ROIs。将分类结果与ROI输入,软件会根据区域自动匹配,如不正确可以手动更改。点击ok后选择报表的表示方法(像素与百分比),就可以得到精度报表。

对分类结果进行评价,确定分类的精度与可靠性。有两种方式用于精度验证:一就是混淆矩阵,二就是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。

对一帧遥感影像进行专题分类后需要进行分类精度的评价,而进行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、每一类的制图精度与拥护精度。

1、混淆矩阵(Confusion Matrix): 主要用于比较分类结果与地表真实信息,可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵就是通过将每个地表真实像元的位置与分类与分类图象中的相应位置与分类像比较计算的。混淆矩阵的每一列代表了一个地表真实分类,每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量,有像元数与百分比表示两种。

2、总体分类精度(Overall Accuracy): 等于被正确分类的像元总与除以总像元数,地表真实图像或地表真实感兴趣区限定了像元的真实分类。被正确分类的像元沿着混淆矩阵的对角线分布,它显示出被分类到正确地表真实分类中的像元数。像元总数等于所有地表真实分类中的像元总与。

3、Kappa系数:就是另外一种计算分类精度的方法。它就是通过把所有地表真实分类中的像元总数(N)乘以混淆矩阵对角线(Xkk)的与,再减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求与的结果,再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求与的结果所得到的。

4、错分误差:指被分为用户感兴趣的类,而实际上属于另一类的像元,错分误差显示在混淆

矩阵的行里面。

5、漏分误差:指本属于地表真实分类,但没有被分类器分到相应类别中的像元数。漏分误差显示在混淆矩阵的列里。

6、制图精度:指假定地表真实为A类,分类器能将一幅图像的像元归为A的概率

7、用户精度:指假定分类器将像元归到A类时,相应的地表真实类别就是A的概率。

混淆矩阵中的几项评价指标,如下:

●总体分类精度

等于被正确分类的像元总与除以总像元数。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 = (1849/2346)

78、8150%。

●Kappa系数

它就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)的与,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与的结果。

●错分误差

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,林地有419个真实参考像元,其中正确分类265,12个就是其她类别错分为林地(混淆矩阵中林地一行其她类的总与),那么其错分误差为12/419=2、9%。

●漏分误差

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。如在本例中的耕地类,有真实参考像元465个,其中462个正确分类,其余3个被错分为其余类(混淆矩阵中耕地类中一列里其她类的总与),漏分误差为3/465=0、6%

●制图精度

就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类列的总与)的比率。如本例中林地有419个真实参考像元,其中265个正确分类,

因此林地的制图精度就是265/419=63、25%。

用户精度

就是指正确分到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类行的总与)比率。如本例中林地有265个正确分类,总共划分为林地的有277,所以林地的用户精度就是265/277=95、67%。

首先您做分类的时候要选好分类的地区影像,一般要求要有地面数据支持,也就就是说要知道您待分类的影像的地物类别,这样在您的分类完成后才可能评价您的分类精度,

分类精度的评价一般就是用混淆矩阵来评价,从混淆矩阵中算出总精度与Kappa系数就可作为分类精度了。

分类的精度,一般两种方法,实地调查;高分辨率的影像检验低分辨率影像的分类。

大部分文献的精度验证方法无非还就是那些传统的方法:混淆矩阵的总体精度,kappa分析,野外验证,专家组评估验证。还有没有别的更好一些的模型,就比如说就是野外验证,野外如何布点？采用什么样的模型布点？值得一提的就是前段时间终于查到一些数据同化(又叫四维同化)的资料。数据同化原就是大气科学中的一个概念。四维同化:自从气象卫星升空以后,不定期的非常规的观测资料大量增加。这些卫星资料的利用,对弥补洋面与沙漠地区观测资料的不足以及适时更新预报值很有帮助。于就是在初始资料处理上出现了四维同化方法。所谓四维同化就就是把不同时刻(t),不同地区( x, y),不同高度(z),不同性质(常规或非常规)的、具有不同观测误差的资料源源不断地输入计算机,通过一定的程序对它们进行分析处理,把它们协调起来,融合成常规的、定时的资料。为数值预报提供初值或及时更新预报值。

遥感影像分类精度评价教学内容

遥感影像分类精度评 价

遥感影像分类精度评价 在ENVI中，选择主菜单->Classification->Post Classification->Confusion Matrix->Using Ground Truth ROIs。将分类结果和ROI输入，软件会根据区域自动匹配，如不正确可以手动更改。点击ok后选择报表的表示方法（像素和百分比），就可以得到精度报表。 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。 对一帧遥感影像进行专题分类后需要进行分类精度的评价，而进行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拥护精度。 1、混淆矩阵（Confusion Matrix）: 主要用于比较分类结果和地表真实信息，可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。混淆矩阵的每一列代表了一个地表真实分类，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量，有像元数和百分比表示两种。

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，地表真实图像或地表真实感兴趣区限定了像元的真实分类。被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。像元总数等于所有地表真实分类中的像元总和。 3、Kappa系数：是另外一种计算分类精度的方法。它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类中地表真实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，再除以总像元数的平方差减去某一类中地表真实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所得到的。 4、错分误差：指被分为用户感兴趣的类，而实际上属于另一类的像元，错分误差显示在混淆矩阵的行里面。 5、漏分误差：指本属于地表真实分类，但没有被分类器分到相应类别中的像元数。漏分误差显示在混淆矩阵的列里。 6、制图精度：指假定地表真实为A类，分类器能将一幅图像的像元归为A 的概率

遥感影像解译不确定性的评估与表达

遥感影像解译不确定性的评估与表达 摘自《遥感数据的不确定性问题》 承继成郭华东史文中等编著 遥感数据的精度评估研究是从1975 年开始的(1973 年发射第一个遥感卫星)。最早Hord 和Brooner(1976)，Van Genderen 和Lock(1977)及Ginevan(1979) 曾提出了建立测试评估地图的标准和技术的建议。Roslnfield(1982)，Congalton(1983)，Aronoff(1985)对遥感数据精度的评估标准和技术进行了较深入的研究，以后又有更多的人参与了该项研究工作。误差矩阵是主要的方法，它能很好地表达专题图的精度，已经成为普遍采用的方法。 一、遥感影像解译不确定性评估综述 遥感解译有人工目视判读和计算机自动分类处理。在本章中我们主要指计算机自动分类。造成遥感影像解译不确定性的原因有遥感数据固有的不确定性（包括地物波谱的固有的不确定性和遥感影像数据固有的不确定性等）和遥感数据获取、处理、传输、分类过程造成的误差。因此遥感数据解译过程中的不确定性是客观存在、不可避免的。任何解译的成果图件在不同程度上都存在着一定的不确定性，符合“任何人工模拟产品与客观真实世界之间总是存在一定差异”的原理。 遥感影像数据的不确定性是普遍存在的。一些遥感影像的分辨率很低，经过各种处理影像分类的可信度尽管有所提高但仍然存在不确定性( 表1)，一些地物的可信度仍很低。 表 1 遥感影像分类的可信度(%)( 据吴连喜,2002)

遥感数据分类的不确定性度量方法通常用误差矩阵来度量。从误差矩阵中可以计算出分类精度的指标，如“正确分类比”。另一种指标是由Cohen 提出来的Kappa 系数，后来经Foody(1992) 修正后称为Tau 系数。 遥感数据分类的专题不确定性是指专题值与其真值的接近程度,其度量随专题数据类型的不同而不同（Lanter and Veregin,1992）。专题数据的类型有两种：分类专题数据(categorical thematic data) 和连续专题数据(continuous thematic data), 也有将其分为定性数据(qualitative data) 和定量数据的(quantitative data)。连续数据的不确定性度量指标与位置不确定性的度量指标相类似，如方差等(Lanter and Veregin,1992；Heuvelink,1993；Goodchild et al,1992)。 遥感数据不确定性的度量一般采用基于像元的分类结果评估，其不确定性度量评估流程如图1（Lunetta et al，1991）。

遥感图像分类

实验四遥感图像分类 一、背景知识 图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。 非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。 监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。 二、实验目的 理解并掌握图像分类的原理，学会图像分类的常用方法：人工分类（目视解译）、计算机分类（监督分类、非监督分类）。能够针对不同情况，区别使用监督分类、非监督分类。理解计算机分类的常用算法实现过程。熟练掌握遥感图像分类精度评价方法、评价指标、评价原理，并能对分类结果进行后期处理。 三、实验内容（6课时） 1.非监督分类（Unsupervised Classification)； 2.监督分类（Supervised Classification)； 3.分类精度评价（evaluate classification）； 4.分类后处理（Post-Classification Process）； 四、实验准备 实验数据： 非监督分类文件：germtm.img 监督分类文件：tm_860516.img 监督模板文件：tm_860516.sig 五、实验步骤、方法 1、非监督分类（Unsupervised Classification)

实验准确度及精确度评估方法

Introduction This document is designed to help our clients understand the quality control requirements and limitations of data reporting. There are three sections to this document. The first section will help to determine data usability. The second section will discuss the regulatory and methodology limitations. The final section deals with hold time and preservation requirements. Click on the bookmarks to the left for more information. The following definitions may help you better understand the components of the data report. The Quality Control Section of ESS Laboratory's analytical report is located after the Sample Results. It is used to determine the data usability of the samples. The Method Blank is an analyte free matrix, (reagent water, clean sand, sodium sulfate), which is carried through the complete preparation and analytical procedure. The Method Blank is used to evaluate contamination resulting from the complete preparation and analytical procedure. The Blank Spike (LCS) is an interference free matrix (same used for the Method Blank) spiked with known concentrations of the analytes of interest. It is analyzed to determine, without sample matrix, if the procedure is working within established control limits. Like the Method Blank it is carried through the complete preparation and analytical procedure. It is routinely performed in duplicate as the BSD (LCSD). The recoveries of the spiked analytes are evaluated to determine accuracy. Comparison of the BS to the BSD will yield a precision measurement. The Matrix Spike is a separate aliquot of the sample spiked with known concentrations of the analytes of interest. It is analyzed to determine, including the matrix interferences, if the procedure is working within established control limits. Like the Blank Spike it is carried through the complete preparation and analytical procedure. It is routinely performed in duplicate as the MSD. The recoveries of the spiked analytes are evaluated to determine accuracy in a given matrix. Comparison of the MS to the MSD will yield a precision measurement in a given matrix. The Duplicate is a separate aliquot of the sample carried through the complete preparation and analytical procedure. Comparison of the Sample to the Duplicate will yield a precision measurement in a given matrix. See Blank Spike/Matrix Spike for Blank Spike Duplicate and Matrix Spike Duplicate definitions. The Standard Reference Material is a third party standard with known concentrations in matrix similar to the sample. Surrogate Standards are analytes added to a sample at a known concentration in order to determine extraction efficiency. Surrogate Standards are analytes chemically similar to those being extracted. An Internal Standard is an analyte or group of analytes added to a sample at a constant concentration, for calibration and quantitation. The internal standard is an analyte chemically similar to those being evaluated. It is typically added in GC/MS methods to correct analyte concentrations during analysis. The Continuing Calibration Verification is a check standard used to determine if the sample analysis is within control limits.

预测精度测定与预测评价

第十二章 预测精度测定与预测评价 基本内容 一、预测精度的测定 1、 预测精度的一般含义：是指预测模型拟合的好坏程度，即由预测模型所产生的模拟值与 历史实际值拟合程度的优劣。 如何提高预测精度是预测研究的一项重要任务。不过，对预测用户而言，过去的预测精度毫无价值，只有预测未来的精确度才是最重要的。 2、 测定预测精度的方法通常有： ①平均误差和平均绝对误差； 平均误差的公式为：n e ME n i i ∑==1 平均绝对误差的公式为：n e MAD n i i ∑==1 ②平均相对误差和平均相对误差绝对值； 平均相对误差的公式为： ∑=-=n i i i i y y y n MPE 1?1 平均相对误差绝对值的公式为：∑=-=n i i i i y y y n MAPE 1?1 ③预测误差的方差和标准差； 预测误差的方差公式为：2112)?(1∑∑==-==n i i i n i i y y n n e MSE 预测误差的标准差公式为：21 12 )?(1∑∑==-==n i i i n i i y y n n e SDE 3、 未来的可预测性 ① 未来的可预测性是影响预测效果好坏的重要因素，由于受各种因素的影响，经济现象的可预测性明显低于自然现象的可预测性。在经济预测中，不同的经济现象的可预测性也存在极大的差别。 ② 影响经济现象的可预测性的因素大致归类为：总体的大小；总体的同质性；需求弹性和竞争的激烈程度等。 4、 影响预测误差大小的因素 经济现象变化模式或关系的存在是进行预测的前提条件，因此，模式或关系的识别错误；模式或关系的不确定性及模式或关系的变化性就成为影响预测误差的主要因素。

遥感影像分类精度与空间分辨率的关系验证

实验一遥感影像分类精度与空间分辨率的关系验证 实验目的： 1、掌握相同传感器多光谱影像与全色影像融合方法； 2、掌握监督分类的基本流程； 3、验证遥感影像分类精度与空间分辨率的关系。 实验要求： 1、对多光谱影像和全色影像进行融合； 2、利用马氏距离法进行监督分类； 理论基础：高分辨率影像能反映更多细节信息，但是过高的的空间分辨率也会造成地物类别内部光谱可分性下降（同物异谱和异物同谱现象更严重），通过不同分辨率遥感分类精度的比较来验证这一理论。 原始实验数据：北京市朝阳区2002年奥运公园规划区IKONOS多光谱影像4个波段与IKONOS 全色波段（两者成像时间都是2002年8月26日，即是同一传感器同时成像，植被覆盖情况一致），全色波段影像大小4000*4000。class1.roi是1m空间分辨率的参考分类ROI模板。 实验步骤： 1、将IKONOS多光谱影像4个波段与IKONOS全色波段数据进行融合，操作如下： （1）打开图像bjikonospan.img和bjikonosmultispectral.img，在Available band list对话框中，选中bjikonospan.img，点击右键，选择Edit header，查看bjikonospan.img的头文件。记 录该文件的行列数，下图1~2。

图1 图2 查看头文件

（2）在ENVI主菜单，点击Basic Tools→Resize Data，在弹出的对话框中，选择bjikonosmultispectral.img，点击OK，在接下来弹出的Resize Data Parameters对话框中，Samples后输入4001，点击回车，Lines后输入4001，点击回车，设置存储路径，OK。将重置了大小后的图像bj_resize按432的RGB模式显示，与前两个图像对比，观察其变化。 图3

遥感图像的监督分类与处理_赵文彪

杭州师范大学《遥感原理与应用》实验报告 题目：遥感图像的监督分类与处理实验姓名：赵文彪 学号： 2014212425 班级：地信141 学院：理学院

1实验目的 运用envi软件对自己家乡的遥感影像经行分类和分类后操作。 2概述 分类方法：监督分类和非监督分类 监督分类——从遥感数据中找到能够代表已知地面覆盖类型的均质样本区域（训练样区），然后用这些已知区域的光谱特征（包括均值、标准差、协方差矩阵和相关矩阵等）来训练分类算法，完成影像剩余部分的地面覆盖制图（将训练样区外的每个像元划分到具有最大相似性的类别中）。 非监督分类——依据一些统计判别准则将具有相似光谱特征的像元组分分为特定的光谱类；然后，再对这些光谱类进行标识并合并成信息类。 光谱特征空间 同名地物点在丌同波段图像中亮度的观测量将构成一个多维的随机向量X，称为光谱特征向量。而这些向量在直角坐标系中分布的情况为光谱特征空间。 同类地物在光谱特征空间中不可能是一个点，而是形成一个相对聚集的点群。丌同地物的点群在特征空间内一般具有不同的分布。 特征点集群的分布情况： 理想情况：至少在一个子空间中可以相互区分 典型情况：任一子空间都有相互重叠，总的特征空间可以区分 一般情况：任一子空间都存在重叠现象 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。在分类乊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样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决凼数迚行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决凼数去对其他待分数据迚行分类。使每个像元和训练样本做比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 3实验步骤 3.1遥感影像图的剪切 用envi打开下载的遥感影像图，剪切出一个地貌信息丰富的区域（因为一景遥感影像太大，分类时间较长，故而采用剪切的方法，剪切一个地貌丰富的遥感影像图。既便于分类也使得分类种数不至于减小的太多） 以下为剪切出来的遥感影像

【CN110057545A】一种口内三维扫描仪扫描精度的标准评价方法【专利】

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910375399.4 (22)申请日 2019.05.07 (71)申请人 北京大学口腔医学院 地址 100081 北京市海淀区中关村南大街 22号北京大学口腔医学院科研楼5009 (72)发明人 孙玉春　段轶豪　赵一姣　陈俊锴　 曹悦　 (74)专利代理机构 北京神州华茂知识产权有限 公司 11358 代理人 吴照幸 (51)Int.Cl. G01M 11/00(2006.01) (54)发明名称一种口内三维扫描仪扫描精度的标准评价方法(57)摘要本发明涉及一种口内三维扫描仪扫描精度的标准评价方法，有步骤：用CAD软件设计带有扫描拼接特征的测量标准件，获得三维数据S1；使用加工精度为5μm的数控加工中心加工出测量标准件，并用测量精度为1-3μm的三坐标测量机对加工精度进行复检；用待检测口内三维扫描仪扫描该测量标准件，获得三维数据S 2；在Geomagic2013软件中同时打开三维数据S1、三维数据S2,将两个数据配准，并截取相同区域三维数据；用Geomagic2013软件中的功能模块直接计算S1与S2之间的平均距离、均方根误差数值与多次扫描数据之间的标准差。本发明能标准化定量评价待测口内三维扫描仪的扫描精度与重复精 度。权利要求书1页 说明书2页 附图1页CN 110057545 A 2019.07.26 C N 110057545 A

权　利　要　求　书1/1页CN 110057545 A 1.一种口内三维扫描仪扫描精度的标准评价方法，其特征在于有以下步骤： 1)用CAD软件设计带有扫描拼接特征的测量标准件，获得三维数据S1； 2)使用加工精度为5μm的数控加工中心加工出测量标准件，并用测量精度为1-3μm的三坐标测量机对加工精度进行复检； 3)用待检测口内三维扫描仪扫描该测量标准件，获得三维数据S2；在Geomagic2013软件中同时打开三维数据S1、三维数据S2,将两个数据配准，并截取相同区域三维数据； 4)用Geomagic2013软件中的功能模块直接计算S1与S2之间的平均距离、均方根误差数值与多次扫描数据之间的标准差，能标准化定量评价待测口内三维扫描仪的扫描精度与重复精度。 2.根据权利要求1所述的一种口内三维扫描仪扫描精度的标准评价方法，其特征在于：所述测量标准件包括底座、圆柱、锥台，锥台固定在圆柱上，圆柱固定在底座上，在每个圆柱周围的底座上表面上，均匀分布着彼此三维形状均不相同的凹雕结构，用于提高扫描时的拼接精度。 2

envi遥感图像监督分类与非监督分类

envi遥感图像监督分类 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样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 遥感影像的监督分类一般包括以下6个步骤，如下图所示： 详细操作步骤 第一步：类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。

启动ENVI5.1，打开待分类数据：can_tmr.img。以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。 通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。 第二步：样本选择 （1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。 1）在Region of Interest (ROI) Tool面板上，设置以下参数： ROI Name：林地 ROI Color： 2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择； 3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上； 4）这样就为林地选好了训练样本。 注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。 2、一个样本ROI里面可以包含n个多边形或者其他形状的记录（record）。 3、如果不小心关闭了Region of Interest (ROI) Tool面板，可在图层管理器Layer Manager上的某一类样本（感兴趣区）双击鼠标。 （2）在图像上右键选择New ROI，或者在Region of Interest (ROI) Tool面板上，选择工具。重复"林地"样本选择的方法，分别为草地/灌木、耕地、裸地、沙地、其他5类选择样本； （3）如下图为选好好的样本。

混淆矩阵精度评价

混淆矩阵是用来表示精度评价的一种标准格式。混淆矩阵是n 行n 列的矩阵，其中n 代表类别的数量，一般可表达为以下形式，如下表所示。该矩阵的列为参考影像信息，行为被评价影像分类结果信息，行与列相交的部分概括了分类到与参考类别有关的某一特定类别中的样本数目，样本数可以为像元数目、或者分割对象数目。 矩阵的主对角元素（1122,,nn x x x L ）为被分到正确类别的样本数，对角线以外的元素为遥感分类相对于参考数据的错误分类数，最右边一列是每类别在分类图上的总数量，而底部的一行显示的是每类别在 参考图上的总数量。其中，ij x 是分类数据中第i 类和参考数据类型第j 类的分类样本数；1n i ij j x x +==∑为分类所得到的第i 类的总和；1 n j ij i x x +==∑为 参考数据的第j 类的总和；N 为评价样本总数。 基本的评价指标如下： （1）总体分类精度（Overall Accuracy ）： 1OA n kk k x N ==∑总体分类精度是具有概率意义的一个统计量，表述的是对每一个随机样本，所分类的结果与参考数据所对应区域的实际类型相一致的概率。 （2）用户精度（对于第i 类，User Accuracy ）： UA ii i x x + =用户精度表示从分类结果中任取一个随机样本，其所具有的类型与地面实际类型相同的条件概率。 （3）制图精度（对于第j 类，Producer Accuracy ）： PA jj j x x += 制图精度表示相对于参考数据中的任意一个随机样本，分类图上同一地点的分类结果与其相一致的条件概率。土地利用分类中常用的属性精度即为制图精度。 总体精度、用户精度和制图精度从不同的侧面描述了分类精度，是简便易行并具有统计意义的精度指标。与这些统计量相关联的度量还有经常提到的漏分与错分概率。 （4）错分率（对于第i 类，commission ） FR= i ii i x x x ++-

相机标定和精度评估方法的比较和回顾汇总

摄像机标定方法与精度评估的对比回顾摘要 相机标定对于进一步的度量场景测量来说是一个关键性的问题。很多有关标定的技术和研究在过去的几年中相继出现。然而，深入探究一种确定的标定方法的细节，并与其它方法进行精度比较仍是不易的。这种困难主要表现在缺少标准化和各种精度评估方法的选择上。本文给出一个详细的回顾关于一些最常用的标定技术，文中，这些标定方法都采用相同的标准。此外，文中涉及的方法已经过测试,精确度也经过测定。比较结果和后续的讨论也在文中给出。此外，代码和结果在网上也可以找到。2002模式识别学会，发布由Elsevier science，保留所有权利。 关键词：相机标定镜头畸变参数估计优化相机建模精度评估3D 重建计算机视觉 1、介绍 相机标定是计算机视觉计算的第一步。虽然可以通过使用非标定相机获取一些有关测量场景的信息，但是，当需要度量信息时标定是必须的。精确校准相机的使用使从平面投影图像中测量物体在真实世界中的距离成为可能。这种功能的一些应用包括： 1、致密重建：每个像点确定一条光射线通过相机对场景的焦点。这种使用 多个视角观察静止场景（来自一个立体系统，或者单个移动相机， 或者一个结构光发射器）允许两条交叉的光线得到度量的3D点位 置。显然，相应的问题被提前解决了。 2、外观检验：一旦被测目标的致密重建被获得，被重建的目标可以与已存 储的目标比较来检测任何制造缺陷如凸起、凹陷或裂纹。一个潜在 应用是外观检验用来质量控制。计算机处理的外观检查允许自动化 和彻底化检查物体，与缓慢的暗含一种数据统计方法的人工检查截 然相反。

3、目标定位：当考虑来自不同对象的各种图像点时，这些对象的相对位置 可以被轻易确定。这个有许多可能的应用，尤其是工业零件装配和 机器人导航中的障碍回避。 4、相机定位：当相机固定在机械臂或者移动机器人上，相机的位置和相角 可以通过计算场景中已知标志的位置获得。如果这些测量值提前存 储，一个短暂的分析可以帮助处理器计算出机器人的轨迹。相机的 信息可以用在机器人控制或者路线规划上。 相机标定可分为两个步骤。首先，相机建模涉及到使用一系列参数对传感器的物理和视觉行为进行数学逼近。其次，使用直接或迭代的方法估算得到的参数值。在所建模型中有两种参数需要考虑。一方面是本征参数，用来模拟图像传感器的内在结构和光学特征。本质上，本征参数决定光线是如何通过镜头投射在传感器的图像面上的。另一方面的参数是非本征参数。非本征参数测量相机相对于世界坐标系统的位置和相角，也就是说，提供相对于用户固定的坐标系统而不是相机坐标系统的数据。 相机标定可以按以下几种不同的标准划分。(1)线性和非线性相机标定（区别在于相机畸变的建模上）(2)本征和非本征相机标定。本征标定仅在获得相机物理和光学参数时使用。而非本征标定着眼于测量视场中相机的位置和相角。(3)隐式和显式相机标定。隐式标定是指相机标定过程中并不明确计算相机的物理参数。尽管结果可以用于3D测量或生成图像坐标，但是，由于获得的参数与物理参数不一致，测量结果对于相机建模是无用的。(4)使用已知的3D点或简化的3D点作为标定模式，就那些使用如消失线或其它线性特征等几何特征的方法而言。 这些方法还可以按估算相机模型参数的标定方法来划分： 1、非线性最优化技术。当镜头的所有缺陷包含在相机模型中时，标定方法变成非线性。在这种情况下，相机参数通常通过与一个确定的最小化约束条件的函数迭代来获得。最小化指使像点和通过迭代的模型预测值最小。这种迭代技术的好处是几乎所有的模型都可以被校正，精度可以通过增加对收敛域的迭代次数。然而，这种技术需要一个最初有一个好的猜测来保证收敛。一些例子在一些经典的摄影测量法和Salvi中有描述。

遥感实习遥感图像监督分类

实验五：监督分类与非监督分类 一、实验目的 采用监督分类对多光谱遥感图像进行分类，并对分类后的数据进行处理，处理方法包括：聚合（clump）处理、筛选（sieve）处理、并类（combine）处理，以及精度评估。监督法分类需要用户选择作为分类基础的训练样区。分析下面处理的分类结果，或者采用每个分类法默认的分类参数，生成自己的类，然后对分类结果进行比较。我们将使用各种监督分类法，并对它们进行比较，确定单个具体像素是否有资格作为某类的一部分。 二、实验数据与原理 美国科罗拉多州（Colorado）Canon市的Landsat TM 影像数据，其中包括can_tmr.img、can_tmr.hdr、can_km.img、can_km.hdr、can_iso.img、can_iso.hdr、classes.roi、can_pcls.img、can_pcls.hdr 、can_bin.img、can_bin.hdr 、can_sam.img、can_sam.hdr 、can_rul.img 、can_rul.hdr、can_sv.img、can_sv.hdr、can_clmp.img、can_clmp.hdr。 ENVI 提供了多种不同的监督分类法，其中包括了平行六面体（Parallelepiped）、最小距离法（Minimum Distance）、马氏距离法（Mahalanobis Distance）、最大似然法（Maximum Likelihood）、波谱角法（Spectral Angle Mapper）、二值编码法（Binary Encoding）以及神经网络法（Neural Net）。 三、实验过程： 1、打开TM图像，File →Open Image File，选择ljs-can_tmr.img文件，在可用波段列表中，选择RGB Color 单选按钮，然后使用鼠标左键，顺次点击波段4、波段3 和波段2。点击Load RGB 按钮，把该影像加载到一个新的显示窗口中。 2、查看光标值：

分类精度评价

遥感影像分类精度评价 遥感影像分类精度评价 (2009-11-20 14:20:57) 在ENVI中，选择主菜单->Classification->Post Classification->Confusion Matrix->Using Ground Truth ROIs。将分类结果和ROI输入，软件会根据区域自动匹配，如不正确可以手动更改。点击ok后选择报表的表示方法（像素和百分比），就可以得到精度报表。 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。 对一帧遥感影像进行专题分类后需要进行分类精度的评价，而进行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拥护精度。 1、混淆矩阵（Confusion Matrix）: 主要用于比较分类结果和地表真实信息，可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。混淆矩阵的每一列代表了一个地表真实分类，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量，有像元数和百分比表示两种。 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，地表真实图像或地表真实感兴趣区限定了像元的真实分类。被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。像元总数等于所有地表真实分类中的像元总和。 3、Kappa系数：是另外一种计算分类精度的方法。它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类中地表真实像元总数与该类

遥感图像的分类实验报告

精心整理 一、实验名称 遥感图像的监督分类与非监督分类 二、实验目的 理解遥感图像监督分类及非监督分类的原理；掌握用ENVI对影像进行监督分类和非监督分类的方法，初步掌握图像分类后的相关操作；了解整个实验的过程以及实验过程中要注意的事项。 三、 四、 五、 1. 1.1打开并显示影像文件，选择合适的波段组合加载影像 打开并显示TM影像文件，从ENVI 主菜单中，选择File →Open Image File选择影像，为了更好地区分不同地物以及方便训练样本的选取，选择5、4、3波段进行相关操作，点击Load Band 在主窗口加载影像。 1.2使用感兴趣区（ROI）工具来选择训练样区 1）主影像窗口菜单栏中，选择 Overlay >Region of Interest。出现ROI Tool对话框， 2）根据不同的地物光谱特征，在图像上画出包含该类地物的若干多边形区域，建立相应的感兴趣区域，输入对应的地物名称，更改感兴趣区对应的显示色彩。

由于该地区为山西省北部，地物相对单一，故分为以下几类：裸地、草地、灌木林、农田、水体、人类活动区、云层，阴影。 1.3选择分类方法进行分类 1）主菜单中，选择Classification>Supervised，在对应的选项菜单中选择分类方法，对影像进行分类。 以最小距离法（Minimum Distance）为例进行说明。选择Minimum Distance选项，出现Classification Input File对话框，在该对话框中选择待分类图像。 2）在出现的Minimum Distance Parameters对话框中，select Ttems选择训练样本，定义相关参数，选择 点击 2. 1 2 3. 。 1 选择Mode :polygon delete from class将错误点剔除。 2）主菜单classification->Post classification->sieve classes打开sieve parameters对话框，选择训练样本，及最小剔除像素，选择输出位置，完成操作。图为采用八联通域将像素小于5的点删除。 3.3混淆矩阵精度验证 1）选取验证样本，与监督分类操作类似，选择不同的感兴趣区域，保存ROI,作为选择训练样本。 2）进行精度验证，主菜单classification->Post classification->Using Ground Truth ROI，选择分类图像。

遥感监督分类

实验遥感图像监督分类 实验目的： 通过实习操作，掌握遥感图像监督分类的基本方法和步骤，深刻理解遥感图像监督分类的意义。 实验内容： 监督分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的象元建立模板，然后基于该模板使计算机自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复建立一个比较准确的模板，并在此基础上最终进行分类。 实验步骤： 第一步：定义分类模板 ERDAS IMAGINE 的监督分类是基于分类模板来进行的，而分类模板的生成、管理、评价和编辑等功能是由分类模板编辑器来负责的。 在分类模板编辑器中生成分类模板的基础是原图像和（或）其特征空间图像。因此，显示这两种图像的窗口也是进行监督分类的重要组件 1、显示需要分类的图像 在窗口中显示图像germtm.img。 具体步骤是单击ERDAS面板中的Viewer图标，打开一个窗口View#1，然后执行File/Open/Raster Layer，打开Select Layer to Add对话框，在对话框中找到germtm.img，在Select Layer to Add对话框点击Raster Options选项卡，设置Red 值为4,Green值为5，Blue值为3，选中Fit to Frame（图5－1）。

图5－1 设置图像显示参数 点击OK，打开图像（图5－2）。 图5－2 打开图像 2、打开分类模板编辑器 两种方式可以打开分类面板编辑器：（1）在ERDAS图标面板中单击Main/Image Classfication/Classfication/Signature Editor命令，打开Signature Editor 窗口（图5－3）;（2）在ERDAS图标面板工具条，单击Classifier图标/Classfication/Signature Editor命令，打开Signature Editor窗口（图5－3）。

基于eCognition的面向对象遥感影像分割、分类及精度评价

基于eCognition 的面向对象遥感影像分割、 分类及精度评价流程 一、分割 1.1 创建工程 创建一个新的ecognition 工程，加载遥感影像，如果有专题层，加载专题层。 1.2 多尺度分割 第一次分割时基于象元的分割，后面的分割都是基于上一层的基于对象的分割，有专题层的使用专题层限制分割成形的对象。 图1.2-1 多尺度分割第一次分割基于像元 T a n g S h i m i n g 2012.11.20 资源与环境工程学院 汤世明

m i h S g n a T 图1.2-2 之后的分割都是基于上一层影像对象层多次分割之后可以得到一个尺度列表： 图1.2-3 多尺度分割图层列表 二、分类 2.1 创建分类体系 创建需要从影像中提取的各个类别。

m i h S g n a T 图2.1-1 创建类别 类描述可以先空着，由后面优化算法自动计算。 2.2 选择分类尺度图层 选择适合某一地类的分割尺度图层。比如本例中在400尺度下分水体、非水体。

m i h S g n a T 图2.2-1 选择适宜尺度图层 2.3 选择样本 按一定要求选择样本。利用工具Sample Editor和Select Samples。

m i h S g n a T 图2.3-1 选择样本工具 2.4 优化特征属性集 选择要参与分类的属性，并通过属性优化器进行筛选，得出最佳的属性组合，将其应用于各个类。 图2.4-1 选择特征属性优化 并将优化结果应用于最邻近分类和类描述。

2.5 分类 执行分类算法。 图2.5-1 分类算法参数设置 2.6 优化分类 反复选样本、优化特征属性、修改参数、利用空间关系等优化分类。 三、精度评价 3.1 精度评价 重新随机选择一部分样本，计算混淆矩阵。 T a n g S h i m i n g

遥感影像分类精度评价

遥感影像分类精度评价 在ENVI中，选择主菜单->Classification->Post Classification->Confusion Matrix->Using Ground Truth ROIs。将分类结果和ROI输入，软件会根据区域自动匹配，如不正确可以手动更改。点击ok后选择报表的表示方法（像素和百分比），就可以得到精度报表。 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。 对一帧遥感影像进行专题分类后需要进行分类精度的评价，而进行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拥护精度。 1、混淆矩阵（Confusion Matrix）: 主要用于比较分类结果和地表真实信息，可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。混淆矩阵的每一列代表了一个地表真实分类，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量，有像元数和百分比表示两种。 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，地表真实图像或地表真实感兴趣区限定了像元的真实分类。被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。像元总数等于所有地表真实分类中的像元总和。 3、Kappa系数：是另外一种计算分类精度的方法。它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类中地表真实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，再除以总像元数的平方差减去某一类中地表真实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所得到的。 4、错分误差：指被分为用户感兴趣的类，而实际上属于另一类的像元，错分误差显示在