| Подпись | Описание | Тип данных |
Входной растр | Входной классифицированный растр. | Mosaic Layer; Raster Layer; Image Service; String; Raster Dataset; Mosaic Dataset |
Истинно точные данные | Входное изображение для классификации или другие исходные тематические ГИС-данные. Входные данные могут быть растром или классом объектов. Обычно данные представляют собой изображение классификации отдельного канала целочисленного типа данных. Если в качестве входных данных используется полигоны, необходимо брать только те, что не используются в качестве обучающей выборки. Можно работать также с ГИС-данными почвенно-растительного покрова в формате шейп-файла или класса пространственных объектов. | Mosaic Layer; Raster Layer; Feature Layer |
Выходная матрица несоответствий | Имя выходного файла матрицы неточностей в табличном формате. Формат таблицы определяется выходным местоположением и путем к ней. По умолчанию выходными данными будет таблица базы геоданных. Если путь не в базе геоданных, укажите расширение .dbf, чтобы сохранить его в формате dBASE. | Table |
Количество случайных точек (Дополнительный) | Общее число произвольных точек, которые будут сгенерированы. В зависимости от метода выборки и числа классов действительное число может вырасти, но никогда не может уменьшиться. Число произвольно созданных точек по умолчанию равно 500. | Long |
Стратегия выборки (Дополнительный) | Указывает схему выборки, которая будет использоваться.
| String |
Минимальное расстояние точки (Дополнительный) | Минимальное расстояние между опорными точками Значение по умолчанию равно 0. | Double |
Доступно с лицензией Image Analyst.
Краткая информация
Вычисляет матрицу неточностей, основанную на ошибках пропуска и невыполнения, и с учетом показателя Пересечение по объединению (IoU). Точность вычисляется на основе выходных данных инструмента Классифицировать пикселы с помощью глубокого обучения и истинно точных данных.
Инструмент доступен только для моделей классификации пикселов, а не других моделей, которые используют инструмент Классифицировать пикселы при помощи глубокого обучения.
Использование
Этот инструмент вычисляет точность пользователя и построителя для каждого класса, а также общий индекс Kappa. Диапазон точности варьируется от 0 до 1, при этом 1 означает 100% точность. Ниже приведен пример матрицы несоответствий:
c_1 c_2 c_3 Всего 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
Всего
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
Пример матрицы несоответствий Пользовательская точность - это показатель количества пикселов, которые были правильно классифицированы, из общего числа пикселов, которые были отнесены к данному классу. Остальные пикселы, отнесенные к этому классу, принадлежат другому классу или идентифицированы как другой класс в соответствии с базовой информацией; они являются ложноположительными.
Пользовательская точность также называется ошибками выполнения, или ошибками 1-го типа. Данные для расчета коэффициента ошибок считываются со строк таблицы.
Строка Всего показывает число точек, которые, согласно базовым данным, должны были определиться как заданный класс.
Точность построителя - это ложноотрицательное значение, при котором пикселы известного класса классифицируются как нечто отличное от этого класса. Примером может служить случай, когда классифицированное изображение идентифицирует пиксел как лес, но он должен быть непроницаемым. В этом случае, непроницаемый класс – это отсутствующие пикселы в соответствии с базовыми данными.
Точность построителя также называют ошибками пропуска или ошибкой типа 2. Данные для расчета этого коэффициента ошибок считываются со столбцов таблицы.
Столбец Всего показывает число точек, которые, согласно классифицированной карте, определились как заданный класс.
Индекс Kappa дает общую оценку точности классификации.
Пересечение по объединению (IoU) - это область перекрытия между прогнозируемой сегментацией и истинно точными данными, деленная на область слияния между прогнозируемой сегментацией и истинно точными данными. Среднее значение IoU вычисляется для каждого класса.
Параметры
ComputeAccuracyForPixelClassification(in_raster, in_ground_truth_data, out_confusion_matrix, {num_random_points}, {sampling}, {min_point_distance})| Имя | Описание | Тип данных |
in_raster | Входной классифицированный растр. | Mosaic Layer; Raster Layer; Image Service; String; Raster Dataset; Mosaic Dataset |
in_ground_truth_data | Входное изображение для классификации или другие исходные тематические ГИС-данные. Входные данные могут быть растром или классом объектов. Обычно данные представляют собой изображение классификации отдельного канала целочисленного типа данных. Если в качестве входных данных используется полигоны, необходимо брать только те, что не используются в качестве обучающей выборки. Можно работать также с ГИС-данными почвенно-растительного покрова в формате шейп-файла или класса пространственных объектов. | Mosaic Layer; Raster Layer; Feature Layer |
out_confusion_matrix | Имя выходного файла матрицы неточностей в табличном формате. Формат таблицы определяется выходным местоположением и путем к ней. По умолчанию выходными данными будет таблица базы геоданных. Если путь не в базе геоданных, укажите расширение .dbf, чтобы сохранить его в формате dBASE. | Table |
num_random_points (Дополнительный) | Общее число произвольных точек, которые будут сгенерированы. В зависимости от метода выборки и числа классов действительное число может вырасти, но никогда не может уменьшиться. Число произвольно созданных точек по умолчанию равно 500. | Long |
sampling (Дополнительный) | Указывает схему выборки, которая будет использоваться.
| String |
min_point_distance (Дополнительный) | Минимальное расстояние между опорными точками Значение по умолчанию равно 0. | Double |
Пример кода
Этот пример создает матрицу неточностей с помощью 500 стратифицированных случайных точек.
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)Этот пример создает матрицу неточностей с помощью 500 случайных точек.
# 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)