### 使用 Python 实现基于输入图像、分类结果和检验矢量点数据的精度评价 要实现基于输入图像、分类结果以及检验矢量点数据的精度评价，可以通过以下方式完成： #### 1. **加载必要的库** 为了处理图像、矢量数据并计算精度指标，需要引入一些常用的 Python 库。 ```python import rasterio # 处理栅格数据 import geopandas as gpd # 处理矢量数据 from sklearn.metrics import confusion_matrix, accuracy_score, classification_report # 计算混淆矩阵和其他指标 import numpy as np ``` --- #### 2. **读取输入图像和分类结果** 通过 `rasterio` 加载输入图像和分类结果。假设这两个文件均为 GeoTIFF 格式。 ```python def load_raster(file_path): with rasterio.open(file_path) as src: data = src.read(1) # 只读取第一个波段 transform = src.transform crs = src.crs return data, transform, crs input_image_data, input_transform, input_crs = load_raster('path_to_input_image.tif') classification_result_data, _, _ = load_raster('path_to_classification_result.tif') ``` [^1] --- #### 3. **加载检验矢量点数据** 使用 `geopandas` 加载检验矢量点数据（通常为 `.shp` 文件），并将这些点投影到与输入图像相同的坐标系下。 ```python vector_points = gpd.read_file('path_to_vector_points.shp') # 将矢量点重新投影至与输入图像一致的 CRS if vector_points.crs != input_crs: vector_points = vector_points.to_crs(input_crs) # 提取点的坐标 point_coords = [(row.geometry.x, row.geometry.y) for idx, row in vector_points.iterrows()] true_labels = vector_points['class_label'].values.tolist() # 获取真实标签 ``` [^3] --- #### 4. **提取分类结果中的对应像素值** 对于每一个矢量点，找到其在分类结果栅格中的对应像素值。 ```python def extract_pixel_values_from_points(raster_data, transform, point_coords): pixel_values = [] inv_transform = ~transform # 转换逆变换 for coord in point_coords: col, row = inv_transform * (coord[0], coord[1]) # 将地理坐标转换为行列号 col, row = int(col), int(row) if 0 <= row < raster_data.shape[0] and 0 <= col < raster_data.shape[1]: pixel_value = raster_data[row, col] pixel_values.append(pixel_value) else: pixel_values.append(None) # 如果超出范围，则标记为空值 return pixel_values predicted_labels = extract_pixel_values_from_points(classification_result_data, input_transform, point_coords) ``` [^1] --- #### 5. **计算精度评价指标** 利用 `sklearn.metrics` 中的功能来计算混淆矩阵、总体精度以及其他统计指标。 ```python # 过滤掉 None 或 NaN 的预测值及其对应的真值 filtered_true_labels = [] filtered_predicted_labels = [] for true_val, pred_val in zip(true_labels, predicted_labels): if pred_val is not None and not np.isnan(pred_val): filtered_true_labels.append(int(true_val)) filtered_predicted_labels.append(int(pred_val)) # 计算混淆矩阵 conf_mat = confusion_matrix(filtered_true_labels, filtered_predicted_labels) # 总体精度 overall_accuracy = accuracy_score(filtered_true_labels, filtered_predicted_labels) # 更详细的报告 report = classification_report(filtered_true_labels, filtered_predicted_labels, output_dict=True) print("Confusion Matrix:\n", conf_mat) print(f"Overall Accuracy: {overall_accuracy:.4f}") print("Classification Report:") for key, value in report.items(): print(key, ":", value) ``` [^2] --- ### 输出示例 假设有如下输入： - 真实标签 `[1, 2, 1, 2, 3]` - 预测标签 `[1, 2, 2, 2, 3]` 运行以上代码后会输出： ``` Confusion Matrix: [[1 1 0] [0 2 0] [0 0 1]] Overall Accuracy: 0.8000 Classification Report: precision : {'1': ..., '2': ...} recall : ... ... ``` ---