前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >好文速递:ignorance对图像分类和主题映射准确性的影响

好文速递:ignorance对图像分类和主题映射准确性的影响

作者头像
一个有趣的灵魂W
发布2021-04-15 16:17:56
4250
发布2021-04-15 16:17:56
举报
文章被收录于专栏:一个有趣的灵魂W

文章通篇理论性较强,但对于遥感分类专业相关的帮助甚广。

Impacts of ignorance on the accuracy of image classification and thematic mapping

ignorance(文章中侧重于缺乏监督样本)对图像分类和主题映射准确性的影响

摘要:专题图(注意在本文中与分类图有所不同)通常是通过有监督的图像分类分析从遥感图像中得出的。监督图像分类的训练和测试阶段可以不考虑要映射的区域中某些类别的存在而进行。这违背了在分类分析中经常详尽定义的一组类的假设。在这种情况下,由训练有素的分类器产生的专题图的总体准确性将小于同一分类器对测试集进行分类的准确性。之所以会出现这种情况,是因为通常只能将未经培训的班级的案例委托给一组经过培训的班级。显示了分类与地图准确性之间的简单数学关系,以评估总体,用户和生产者的准确性。例如,示出了在简单的情况下,专题图的精度小于分类的精度,其根据未训练的班级的丰富度进行缩放。还简要讨论了对由专题图做出的其他估计的影响,例如阶级面积。使用主题地图时,在解释和使用分类准确性评估时需要格外小心,因为有时它们可能无法很好地反映地图的属性。

亮点:

  1. 监督分类经常错误地假定类是详尽定义的。
  2. 分类和地图精度可能不同。
  3. 存在未经培训的班级可能会降低整体准确性。
  4. 定义地图和分类准确性(总体和每类)之间的关系。
  5. 一般或特定类别的影响也观察到面积估计。

文中强化的部分概念:

  • 在分类分析中做出了一系列假设。例如,在常规的“硬”分类中,对数据进行的关键假设是像素是纯像素(即每个像素代表一个类别覆盖的区域)。不幸的是,像素是主要由传感器的属性决定的任意空间单位,并且与地面上的自然单位几乎没有关系。由偏离假定条件引起的主要问题是存在混合像素。在基于对象的方法中,该问题不会消失,因为混合对象可能很常见。问题的严重程度是图像空间分辨率与地面景观马赛克之间关系的函数。解决此类问题的方法可能是通过软分类分析或超分辨率映射存在的,并且可能需要用于精确映射。
  • 建议在训练分类所使用的一组类别的参考数据与代表被映射的感兴趣区域中包含的所有类别的参考数据之间进行区分。

文章中部分内容:

1.ignorance的问题

无知有很多方面,但这里的重点是不了解。关键关注点是在以下情况下:使用监督图像分类分析来生成感兴趣区域的主题地图,但这种情况下进行的方式是,该分析不知道正在被映射的区域中存在一个或多个主题类别 。本文的重点完全放在完全划分要素空间并假设详尽定义的类集的分类器上。特别注意的是针对分类的准确度的相对大小,然后针对因将同一分类器应用于遥感影像而得出的地图进行估计。尽管未经训练的类别会影响软分类,但与严格的准确性评估有关的这些问题和其他问题,并没有单纯地考虑将重点放在分类的相对幅度和地图准确性上。

3.分类与地图精度之间的关系

将术语“分类精度”与对一组训练好的类别进行分类的精度相关,并且将地图精度设为主题地图的精度,该主题地图是由于将分类器应用于感兴趣区域的图像而产生的,其中可能包括未训练的类别 ,对分类与地图准确性之间的关系进行了简单的探索。此探索首先基于对情况的基本讨论作为理论示例,然后提出基于实际数据的方案。

4.结论

专题图通常是通过监督分类器的应用从遥感影像中绘制的。通常从要映射的感兴趣区域的图像中获取用于形成训练集和测试集以分别开发分类器和评估所产生的类分配的参考数据。然而,有时可能仅获取存在于感兴趣区域内的类别的子集的参考数据,这违反了用许多分类方法做出详尽定义的类别集的假设。结果,要映射的感兴趣区域的某些部分属于分类器所训练的集合之外的类。当分析不知道类别的存在时,用案例测试集评估的分类准确性可能会误导使用相同训练的分类器对图像应用所产生的专题图的准确性感兴趣的区域。由于大多数分类器只能将未经训练的类别的案例委托到一组经过训练的类别中,因此可以得出结论,地图的总体准确性必须小于分类的准确性,因为它必须包含更多错误标记的案例。类似地,在每个班级的基础上,如果该班级与未经培训的班级由于增加的佣金错误而混淆,则该班级的用户准确度将低于分类准确度评估中建议的水平。但是,生产者对于一组训练有素的课程的准确性不会受到未经训练的课程的影响。从分类混淆矩阵估计的其他度量,例如等级区域范围,也可能会受到未训练等级的影响。在基本情况下说明了与比例尺地图和分类精度的简单关系,突出了地图和分类精度之间任何差异的大小是未经训练的班级人数的函数。鉴于人们通常对地图感兴趣,因此在解释和使用分类准确性陈述时,研究人员可能需要格外小心。

文章通篇理论性较强,但对于遥感分类专业相关的帮助甚广。

引用格式:

Foody, G.M. Impacts of ignorance on the accuracy of image classification and thematic mapping. Remote Sensing of Environment 2021, 259, 112367, doi:https://doi.org/10.1016/j.rse.2021.112367.

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2021-04-13,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 一个有趣的灵魂W 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档