《表7 Indian相同训练样本的分类精度》

  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

《基于生成对抗网络的高光谱图像分类》

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

表6展示了Indian数据用本文方法和直接使用SVM分类原始高光谱图像的结果，随着原始波段数的增加，两种方法的整体精度都有所提高。在SVM直接对原始波段分类的结果中，30个波段的分类精度相较于20个波段提升不明显，由于实验随机选择训练样本导致30个波段的部分分类精度低于20个波段的分类精度。为了验证精度降低是随机选择训练样本导致的，实验在选取1%、2%、3%训练样本时，选择了相同位置像素点，并进行了分类对比，结果见表7。实验结果表明，当训练样本相同时，30个波段的分类精度高于20个波段的分类精度。本文方法相较SVM直接分类，其分类精度均有明显提升。当选择10个波段，用SVM分类时，1%的训练样本的分类精度为52.3%，本文方法分类精度达到67.04%，提高了大约15个百分点。当训练集增加到10%时提高了大约22个百分点。图4、图5分别为两种方法的分类效果图及混淆矩阵，其中（a）、（b）、（c）分别为SVM对10、20、30个波段的Indian数据分类结果，分类精度分别为70.23%、75.97%、77.56%。（d）、（e）、（f）分别为本文方法对10、20、30个波段的分类结果，分类精度分别为94.87%、95.18%、96.52%。两种方法均采用10%的样本作为训练集。从图中可以看出，本文方法对Indian数据中的每一种地物的分类精度都高于SVM直接分类方法，但对于样本较少地物，其分类精度依然有待提高。