《表4 Indian Pines各类地物在不同算法下的分类精度（分类精度±标准差）(%)》

  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

《基于同质区和迁移学习的高光谱图像半监督分类》

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

为了证明本文提出的算法的有效性，我们考虑最困难的情况，即每类地物仅只有5个有标记样本的情况。因为有标记样本点越少，分类就越难。从表4中可以看出，当每类只选取5个标记点时，本文算法SemiTCA总体分类精度OA相比SVM、Semi-HRS和ELP-RGF分别高24%、2%和2%。此外，Kappa系数也为最高，图4为该情况下各算法的全图分类效果图。红色圆圈内区域，可以看出本文算法的错分噪声点明显减少，在一定程度上体现了本文算法的优势。