Cours et Travaux Pratiques – Télédétection Marine I & II Par Benzouaï S. 63
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique,
Ecole Nationale Supérieure des Sciences de la Mer et de l’Aménagement
du Littoral, Télédétection marine I, II.
Dans cette exemple: 77/100 = 77%
Généralement, une OA supérieure à 80% est considérée comme bonne.
Individual class accuracy = Valeur de la diagonal divisée par la somme de la colonne ou
de la ligne.
Dans cet exemple :
Classe 2 : 30/37 = 0.81 = 81% ou 30/41 = 0.73 = 73%
I.8.3.6 Précision de la classe individuelle (Individual class accuracy)
- Une erreur de classification se produit lorsqu'un pixel appartenant à une catégorie est attribué
à une autre catégorie
- Il existe deux types d'erreurs : L'omission et la commission
- Les erreurs d'omission se produisent lorsqu'un pixel est oublié dans la catégorie évaluée
(les pixels appartenant à la classe 1 et qui ont été classés dans la classe 2)
- Les erreurs de commission se produisent lorsqu'un pixel est incorrectement inclus dans la
catégorie évaluée (tous les pixels qui ont été classé dans la classe 1 alors qu’en réalité ils
appartiennent à la classe 2).
- Les mesures de la précision (% correct) sont appelées précision de l'utilisateur (User
Accuracy) et précision du producteur (Producer Accuracy).
- La précision de l'utilisateur mesure les erreurs de commission. Elle est égale au nombre de
pixels bien classés d’une classe donnée (case dans la diagonale correspondant à une classe
donnée) divisé par le nombre de pixels dans cette classe (case correspondante dans la
dernière colonne de la matrice de confusion).
- La précision du producteur mesure les erreurs d'omission. Elle est égale au nombre de pixels
bien classés d’une classe donnée (case dans la diagonale correspondant à une classe
donnée) divisé par le nombre de pixels référence dans la classe en question (case
correspondante dans la dernière ligne de la matrice de confusion.
En se basant sur l’exemple précédent :
User’s accuracy (erreur de l’utilisateur) de la classe 1 = 24/38 = 63%
Classe 2 = 30/37 = 81%
Classe 3 = 23/25 = 92%
Producer’s accuracy (erreur du producteur) de la classe 1 = 24/30 = 80%
Classe 2 = 30/41 = 73%
Classe 3 = 23/29 = 79%
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique,
Ecole Nationale Supérieure des Sciences de la Mer et de l’Aménagement
du Littoral, Télédétection marine I, II.
Dans cette exemple: 77/100 = 77%
Généralement, une OA supérieure à 80% est considérée comme bonne.
Individual class accuracy = Valeur de la diagonal divisée par la somme de la colonne ou
de la ligne.
Dans cet exemple :
Classe 2 : 30/37 = 0.81 = 81% ou 30/41 = 0.73 = 73%
I.8.3.6 Précision de la classe individuelle (Individual class accuracy)
- Une erreur de classification se produit lorsqu'un pixel appartenant à une catégorie est attribué
à une autre catégorie
- Il existe deux types d'erreurs : L'omission et la commission
- Les erreurs d'omission se produisent lorsqu'un pixel est oublié dans la catégorie évaluée
(les pixels appartenant à la classe 1 et qui ont été classés dans la classe 2)
- Les erreurs de commission se produisent lorsqu'un pixel est incorrectement inclus dans la
catégorie évaluée (tous les pixels qui ont été classé dans la classe 1 alors qu’en réalité ils
appartiennent à la classe 2).
- Les mesures de la précision (% correct) sont appelées précision de l'utilisateur (User
Accuracy) et précision du producteur (Producer Accuracy).
- La précision de l'utilisateur mesure les erreurs de commission. Elle est égale au nombre de
pixels bien classés d’une classe donnée (case dans la diagonale correspondant à une classe
donnée) divisé par le nombre de pixels dans cette classe (case correspondante dans la
dernière colonne de la matrice de confusion).
- La précision du producteur mesure les erreurs d'omission. Elle est égale au nombre de pixels
bien classés d’une classe donnée (case dans la diagonale correspondant à une classe
donnée) divisé par le nombre de pixels référence dans la classe en question (case
correspondante dans la dernière ligne de la matrice de confusion.
En se basant sur l’exemple précédent :
User’s accuracy (erreur de l’utilisateur) de la classe 1 = 24/38 = 63%
Classe 2 = 30/37 = 81%
Classe 3 = 23/25 = 92%
Producer’s accuracy (erreur du producteur) de la classe 1 = 24/30 = 80%
Classe 2 = 30/41 = 73%
Classe 3 = 23/29 = 79%