混合像元分解研究综述——精度评价

asd

混合像元分解结果等同于软分类结果，目前一般采用软分类结果的评价方法。最简单且应用最广泛的精度评价是均方根误差RMSE。RMSE计算了某类端元的分解总体精度，但对误差来源的错分、漏分误差没有进行区别。借鉴硬分类中基于混淆矩阵的精度评价方法，近年来一些学者试图利用混淆矩阵对混合像元分解结果进行精度评价。混合像元分解结果的混淆矩阵如表1所示，由于混合像元分解不能直接提供端元比例在混合像元中空间分布信息，因此需要通过一些算子估计混淆矩阵中的元素。比较有代表性的算子有：取小算子（MIN）[62]、相似度指数（Similarity Index, SI）[63]和乘法算子（Product Operator, PROD）[64]。取小算子基于模糊集理论，得到最理想情况下的精度估计；相似度算子引入标准化过程，使得矩阵元素落在0到1之间；乘法算子基于概率的思想，得到概率意义下的期望精度估计。表2归纳了这三个算子的计算方式及物理意义。Silvan-Cardenas 等(2008)[65] 指出用于混淆矩阵的算子需要满足一些约束条件，并提出SCM评价方法（Sub-pixel confusion–uncertainty matrix），该算法引入复合算子，分别在混淆矩阵的对角元和非对角元使用不同的算子，不仅给出错分、漏分的精度，同时给出误差不确定性范围。但是，到目前为止，没有直接的证据表明哪一种精度评价方式更优越。