Calcular precisión para la clasificación de píxeles (Image Analyst)

Disponible con licencia de Image Analyst.

Resumen

Calcula una matriz de confusión, basada en errores de omisión y comisión, y la puntuación de Intersección sobre combinación (IoU). La precisión se calcula entre la salida de la herramienta Clasificar píxeles con aprendizaje profundo y los datos de realidad del terreno.

La herramienta solo es válida para modelos de clasificación de píxeles, no para otros modelos utilizados con la herramienta Clasificar píxeles mediante aprendizaje profundo.

Uso

• Esta herramienta calcula la precisión del usuario y del productor para cada clase, así como un índice de acuerdo kappa general. Estos índices de exactitud oscilan entre 0 y 1, donde 1 representa el 100 por cien de exactitud. A continuación, se muestra un ejemplo de una matriz de confusión:

  Ejemplo de matriz de confusión

  	c_1	c_2	c_3	Total	U_Accuracy	Kappa
  c_1	49	4	4	57	0,8594	0
  c_2	2	40	2	44	0,9091	0
  c_3	3	3	59	65	0,9077	0
  Total	54	47	65	166	0	0
  P_Accuracy	0,9074	0,8511	0,9077	0	0,8916	0
  Kappa	0	0	0	0	0	0,8357

• La precisión del usuario es una medida de los píxeles que se clasifican correctamente de todos los píxeles que se clasifican como una clase determinada. El resto de los píxeles clasificados en esta clase pertenecen a una clase diferente, o se identifican como una clase diferente, según la información de referencia; son falsos positivos.

  La precisión del usuario también se conoce como errores de comisión o errores de tipo 1. Los datos para calcular esta tasa de error se leen en las filas de la tabla.

  En la fila Total se muestra el número de puntos que deben haber sido identificados como una clase dada, según los datos de referencia.

• La precisión del productor es un falso negativo, donde los píxeles de una clase conocida se clasifican como algo diferente a una clase. Un ejemplo sería cuando la imagen clasificada identifica un píxel como bosque, pero debería ser impermeable. En este caso, a la clase impermeable le faltan píxeles según los datos de referencia.

  La precisión del productor también se conoce como errores de omisión o errores de tipo 2. Los datos para calcular esta tasa de error se leen desde las columnas de la tabla.

  En la columna Total se muestra el número de puntos que se identificaron como una clase dada, según el mapa clasificado.

• El índice de acuerdo Kappa proporciona una evaluación global de la exactitud de la clasificación.

• La intersección sobre combinación (IoU) es el área de superposición entre la segmentación predicha y la realidad del terreno dividida entre el área de unión entre la segmentación predicha y la realidad del terreno. El valor medio de IoU se calcula para cada clase.

Parámetros

Cuadro de diálogo

Etiqueta	Explicación	Tipo de datos
Ráster de entrada	El ráster clasificado de entrada.	Mosaic Layer; Raster Layer; Image Service; String; Raster Dataset; Mosaic Dataset
Datos de realidad del terreno	La imagen de clasificación de entrada u otros datos de referencia SIG temáticos. La entrada puede ser un ráster o una clase de entidades. Los datos típicos son una imagen de clasificación de una sola banda del tipo de datos enteros. Al usar polígonos como entrada, utilice solo aquellos no empleados como muestras de referencia. También pueden ser datos SIG de cobertura de suelo en formato shapefile o de clase de entidad.	Mosaic Layer; Raster Layer; Feature Layer
Matriz de confusión de salida	El nombre del archivo de salida de la matriz de confusión en formato de tabla. El formato de la tabla está determinado por la ubicación y la ruta de salida. De forma predeterminada, la salida será una tabla de geodatabase. Si la ruta no está en una geodatabase, especifique una la extensión .dbf para guardarla en formato dBASE.	Table
Número de puntos aleatorios (Opcional)	El número total de puntos aleatorios que se generarán. El número real puede superar este número, nunca quedar por debajo, dependiendo de la estrategia de muestreo y el número de clases. El número predeterminado de puntos generados de manera aleatoria es 500.	Long
Estrategia de muestreo (Opcional)	Especifica el esquema de muestreo que se utilizará. Aleatorio estratificado—Se crearán puntos distribuidos aleatoriamente en cada clase, donde cada clase tiene un número de puntos proporcional a su área relativa. Esta es la configuración predeterminada Aleatorio estratificado ecualizado—Se crearán puntos distribuidos aleatoriamente en cada clase, donde cada clase tiene el mismo número de puntos. Aleatorio—Se crearán puntos distribuidos aleatoriamente por toda la imagen.	String
Distancia mínima entre puntos (Opcional)	Distancia mínima entre los puntos de referencia. El valor predeterminado es 0.	Double

Python

ComputeAccuracyForPixelClassification(in_raster, in_ground_truth_data, out_confusion_matrix, {num_random_points}, {sampling}, {min_point_distance})

Nombre	Explicación	Tipo de datos
in_raster	El ráster clasificado de entrada.	Mosaic Layer; Raster Layer; Image Service; String; Raster Dataset; Mosaic Dataset
in_ground_truth_data	La imagen de clasificación de entrada u otros datos de referencia SIG temáticos. La entrada puede ser un ráster o una clase de entidades. Los datos típicos son una imagen de clasificación de una sola banda del tipo de datos enteros. Al usar polígonos como entrada, utilice solo aquellos no empleados como muestras de referencia. También pueden ser datos SIG de cobertura de suelo en formato shapefile o de clase de entidad.	Mosaic Layer; Raster Layer; Feature Layer
out_confusion_matrix	El nombre del archivo de salida de la matriz de confusión en formato de tabla. El formato de la tabla está determinado por la ubicación y la ruta de salida. De forma predeterminada, la salida será una tabla de geodatabase. Si la ruta no está en una geodatabase, especifique una la extensión .dbf para guardarla en formato dBASE.	Table
num_random_points (Opcional)	El número total de puntos aleatorios que se generarán. El número real puede superar este número, nunca quedar por debajo, dependiendo de la estrategia de muestreo y el número de clases. El número predeterminado de puntos generados de manera aleatoria es 500.	Long
sampling (Opcional)	Especifica el esquema de muestreo que se utilizará. STRATIFIED_RANDOM—Se crearán puntos distribuidos aleatoriamente en cada clase, donde cada clase tiene un número de puntos proporcional a su área relativa. Esta es la configuración predeterminada EQUALIZED_STRATIFIED_RANDOM—Se crearán puntos distribuidos aleatoriamente en cada clase, donde cada clase tiene el mismo número de puntos. RANDOM—Se crearán puntos distribuidos aleatoriamente por toda la imagen.	String
min_point_distance (Opcional)	Distancia mínima entre los puntos de referencia. El valor predeterminado es 0.	Double

Muestra de código

Ejemplo 1 de ComputeAccuracyForPixelClassification (ventana de Python)

Este ejemplo genera una matriz de confusión con 500 puntos aleatorios estratificados.

import arcpy
arcpy.env.workspace = r"C:\Data\MyProject.gdb"

arcpy.ia.ComputeAccuracyForPixelClassification("BGYRre_ps16_ClassifyPixel", 
    "Classified_202412301648436631322", "BGYNIR_ps16_ComputeAccura", 500, 
    "STRATIFIED_RANDOM", 0)

Ejemplo 2 de ComputeAccuracyForPixelClassification (script independiente)

Este ejemplo genera una matriz de confusión con 500 puntos aleatorios.

# Import system modules
import arcpy
from arcpy.ia import *

# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")

# Set local variables
in_raster=r"C:\DL\MyProject.gdb\BGYClassifyPixel"
in_ground_truth=r"C:\DL\MyProject.gdb\Classified_2024"
out__matrix=r"C:\DL\MyProject.gdb\BGYN_ComputeAccura" 
num_random_points=500
sampling="RANDOM"
min_point_distance=10

# Execute 
arcpy.ia.ComputeAccuracyForPixelClassification(in_raster, in_ground_truth, 
    out__matrix, num_random_points, sampling, min_point_distance)

Entornos

Extensión, Sistema de coordenadas de salida