该工具使用随机精度评估点计算混淆矩阵。 精度评估点由创建精度评估点工具生成并由更新精度评估点工具进行更新。 对于 Classified 和 GrndTruth 字段，上述两种工具可确保每个点都有有效的类值。 Classified 和 GrndTruth 字段均为长整型字段。 该工具将针对于每个类计算用户的精度与制作者的精度，以及协议的整体 kappa 指数。 这些精度的范围介于 0 到 1 之间，其中 1 表示 100% 的精度。 以下是混淆矩阵的示例：

c_1

49

4

4

57

0.8594

0

c_2

2

40

2

44

0.9091

0

c_3

3

3

59

65

0.9077

0

总计

54

47

65

166

0

0

P_Accuracy

0.9074

0.8511

0.9077

0

0.8916

0

Kappa

0

0

0

0

0

0.8357

用户的精度将显示误报，其中一些像素本应被划分为其他类，但却被错误地分为已知类。 例如，分类影像将某像素标识为不可渗透，但参考却将其标识为森林。 根据参考数据，不可渗透类具有不应有的额外像素。

用户的精度也称为错分误差或 1 类误差。 从表格的行中读取用于计算此误差率的数据。

Total 行将根据参考数据显示本应被识别为给定类的点的数目。

制作者的精度漏报，其中已知类的像素被分类为非已知类。 例如，分类影像将某像素标识为森林，但应该是不可渗透的。 这种情况下，根据参考数据，不可渗透类缺少像素。

制作者的精度也称为漏分误差或 2 类误差。 在表格的列中读取用于计算此误差率的数据。

Total 列根据分类地图显示被识别为给定类的点的数目。

协议的 Kappa 指数将提供对于分类精度的整体评估。

交并比 (IoU) 是预测分割和实际地表之间的交集区域除以预测分割和实际地表之间的并集区域。 为每个类计算平均 IoU 值。