《表4 城镇建成区提取结果评价》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《改进卷积网络的高分遥感图像城镇建成区提取》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:加粗字体表示各列最优结果。

值得注意的是，海南岛上的城镇建成区大多分布于农田、绿地、水域之间，实验选取的大幅遥感影像中城镇建成区也是如此。影像包含了体育场、穿梭于城镇建成区和非城镇建成区的公路、零星村落等典型地物，符合海南省绝大多数地区的实际情况。每组实验的分类准确率和评价指标如表4所示。可以看出最大似然法的城镇建成区信息提取精度最低，其虚警率高达15.56%。受制于对数据的学习能力，最大似然法对于水域的判断能力也非常差。浅层学习算法随机森林的信息提取精度有所提高，但由于计算参数有限，并且大尺度高分辨率遥感图像数据量大、地物特征复杂多样，提取结果和性能指标都没有深度学习算法好。相对于以VGG（visual geometry group）为特征提取网络的Seg Net架构，Deep Lab v3可以实现更好的结果。实验使用特征强化模块和通道域的注意力模块，增强了Deep Lab v3模型对遥感图像信息的提取能力，提高了1.95%的正确率。滑动窗口预测能够减少网络模型产生的拼接痕迹，提高模型泛化能力，验证了本文针对大尺度图像在模型预测阶段的改进效果。全连接条件随机场虽然增加了算法的时间复杂度，但它对预测的概率分布图进行处理，结合一元势能和二元势能，可以增强模型能力。本文方法的正确率高于93%，Kappa系数大于0.837。上述的结果和分析，充分验证了本文提出的算法处理流程在大幅高空间分辨率遥感影像上的有效性。