ArcGIS+ENVI实现遥感分类精度评估（分层抽样法）

系统管理员 2023-05-22 22:28 18阅读 0赞

最近修改论文已经到了最后的关口，但是分类精度评估的方法还需要再修改调整。

我原来的方法是利用ArcGIS建立格网，格网中心点作为我的目视解译点，然后利用ArcGIS收集该点的影像分类结果，再把数据属性导出用python计算混淆矩阵。

被质疑之后我使用了分层抽样法，原理我就不赘述了，通过分层抽样法可以计算出一幅影像每个类别需要的抽样点为多少。

之后在分类影像上每个类别的点随机撒在该类别的位置，再人工目视解译，与影像分类结果一起计算混淆矩阵即可。

我首先尝试了Erdas，首先有着ArcGIS的电脑安装erdas后会出现一定的问题，之后我会再写一篇文章概述。并且最后发现erdas抽样的点很难导入ArcGIS或者有个excel表格这样方便计算混淆矩阵，于是我放弃了。

之后网上搜索到ArcMap 10.4以上版本可以较为方便的，进行分层抽样撒点，但是按照高版本的有风险，我目前用10.2

ArcGIS 10.2没有办法让点能够撒到分类影像上那一类的位置上去，但是我最后发现ENVI可以使用这个功能。

正文如下：----------------------------------------不想看我叙述的可以看这里------------------------------

1.分类

首先我的分类结果是tif影像，1、2、3这些值来表示各个类别，tif不能直接在ENVI中进行抽样撒点，要在ENVI中分类，采用决策树，也就是classification-decision tree，首先先建立一个决策树，注意这是让你选b1的波段，先不要选，之前我选了后来换成别的影像存在错误。保存之后，使用classification-decision tree-execute exiting decision tree，选择之前保存的决策树txt。选择你的分类结果影像，然后就可以得到分类影像。

2.抽样撒点

使用envi的classification-post classification-generate random sample-using ground truth image

之后选择你需要的影像，点确定

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1hpbmVtYUNoZW4_size_16_color_FFFFFF_t_70][]

之后可以选择类（注意这里我给了一个类别给影像上没有分类的，就是none，可以不选它）

![20200418172150472.png][]

点OK后，选择分层抽样，和diproportionnate，然后点击set class sample sizes，就可以设定每个类别撒多少点了

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1hpbmVtYUNoZW4_size_16_color_FFFFFF_t_70 1][]

其他选择不变保存roi

之后打开影像

选择overlay-region of interest，就可以看到生成的点（其实就是roi)，注意这里的ROI可能存在之前生成的，不是你这次的，删掉。以下窗口选择，选择File-output roi to shapefile这个，

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1hpbmVtYUNoZW4_size_16_color_FFFFFF_t_70 2][]

如下，选择你需要的类别保存即可，基本是全选

![20200418172724384.png][]

3.shapefile获取影像分类点+目视解译

将shp文件在ArcGIS打开，之后选择spatial analysis tools-extraction-extract values to points,选择你的shp文件和影像，最后可以得到一个矢量文件，里面有一栏RASTERVALU属性就是影像的值。

之后只要打开属性表，add field增加新的一列，作为目视解译的结果，然后右键使用栅格计算器，使它等于RASTERVALU这一列即可（这一步是为了减小工作量，当然也可以自己赋值），然后就可以目视解译改这个值啦。

4.计算混淆矩阵

得到目视解译后的点的矢量文件，可以使用python打开shp文件自带的dbf文件（其实就是属性表）计算混淆矩阵和kappa系数即可

代码如下

from sklearn.metrics import confusion_matrix
    from sklearn.metrics import accuracy_score
    from sklearn.metrics import cohen_kappa_score
    from sklearn.metrics import precision_recall_fscore_support
    from sklearn.metrics import classification_report
    from sklearn.metrics import precision_score
    from sklearn.metrics import recall_score
    
    import pandas
    import os
    from dbfread import DBF
    
    rootdir = "H:\\result_2_type\\points"
    list = os.listdir(rootdir)
    colnames = ['OID_', 'RASTERVALU', 'true']
    true=[]
    result=[]
    for i in range(0,len(list)):
        if not list[i].endswith(".dbf"):
            continue
        folder = os.path.join(rootdir,list[i])
        print(folder)
        table = DBF(folder, encoding='GBK')
        df = pandas.DataFrame(iter(table))
        result_temp = df['RASTERVALU'].tolist()
        true_temp = df['true'].tolist()
        score=accuracy_score(true_temp, result_temp)
        print('score=',score)
        kappa=cohen_kappa_score(true_temp, result_temp)
        print('kappa=',kappa)
        report=classification_report(true_temp, result_temp,digits=4)
        print('report=',report)
        true.extend(true_temp)
        result.extend(result_temp)

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1hpbmVtYUNoZW4_size_16_color_FFFFFF_t_70]: /images/20230521/31ad916e959543e1bc592f56307a54ad.png
[20200418172150472.png]: /images/20230521/42daa29bb7324d3fbfba2ac04773a9bc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1hpbmVtYUNoZW4_size_16_color_FFFFFF_t_70 1]: /images/20230521/e8bd851e3ce647738fa4c630c94dc0db.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1hpbmVtYUNoZW4_size_16_color_FFFFFF_t_70 2]: /images/20230521/c336602dd04a42fda458e1ea5c19b142.png
[20200418172724384.png]: /images/20230521/a9e6e0bb16494dfbae81f0d281d1fc05.png